18.04.2025; Рівне, Україна: VI Міжнародна наукова конференція «Інновації та науковий потенціал світу»
Роботи, що індексуються в Google Scholar

НЕЙРОМЕРЕЖЕВА ТЕХНОЛОГІЯ ФОРМУВАННЯ РЕКОМЕНДАЦІЙ КОНТЕНТУ ЗА ПРІОРИТЕТАМИ СПОЖИВАЧІВ

  • Марк Свергун
DOI: https://doi.org/10.62731/mcnd-18.04.2025.002
PDF

Опубліковано 03.06.2025

Як цитувати

Свергун , М. (2025). НЕЙРОМЕРЕЖЕВА ТЕХНОЛОГІЯ ФОРМУВАННЯ РЕКОМЕНДАЦІЙ КОНТЕНТУ ЗА ПРІОРИТЕТАМИ СПОЖИВАЧІВ. Матеріали конференцій МЦНД, (18.04.2025; Рівне, Україна), 159–168. https://doi.org/10.62731/mcnd-18.04.2025.002

Завантаження

Дані завантаження ще не доступні.

Авторське право (c) 2025 Марк Свергун

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution-ShareAlike 4.0 International License.

Google Scholar

Анотація

Вступ: Сучасні інформаційні системи найчаcтіше стикаються з проблемою надлишку інформації, що суттєво ускладнює процес пошуку і вибору необхідного контенту користувачами. Обсяг цифрових даних зростає експоненціально, що призводить до ситуації інформаційного перевантаження. У таких умовах особливої ваги набувають рекомендаційні системи, які дозволяють автоматично пропонувати користувачам контент, що відповідає їхнім індивідуальним потребам і пріоритетам [1]. Традиційні підходи до побудови таких систем, а саме : колаборативна (collaborative filtering), та контентна (content-based filtering) фільтрація, що широко використовувалися тривалий час.  Вони демонструють суттєві обмеження щодо точності, масштабованості та ефективності. Особливо критичною є проблема «холодного старту» (cold start), яка виникає, коли система не має достатньої інформації про нових користувачів або нові товари. Тому рекомендації виходять неточними або взагалі неможливими, що значно знижує загальну ефективність системи.

PDF

Посилання

  1. 1. Sami A. et al. A deep learning based hybrid recommendation model for internet users // Scientific Reports. – 2024. – Vol.14, Art. 29390 https://surl.li/sgszyd.
  2. 2. Schifferer B. Using Neural Networks for Your Recommender System // NVIDIA Technical Blog, https://surl.li/qqoopl.
  3. 3. Covington P. et al. Deep Neural Networks for YouTube Recommendations // Proc. of ACM RecSys 2016. – 2016. – P. 191–198 https://surl.li/mwppfg.
  4. 4. He X. et al. Neural Collaborative Filtering // Proc. of WWW '17. – ACM, 2017. https://surl.li/poaeou.
  5. 5. Naumov M. et al. Deep Learning Recommendation Model for Personalization and Recommendation Systems // arXiv preprint arXiv:1906.00091. – 2019 https://surl.li/vyltfd.
  6. 6. Cheng H-T. et al. Wide & Deep Learning for Recommender Systems // arXiv preprint arXiv:1606.07792. – 2016 https://surl.li/mzbtfi.
  7. 7. Zivic P., Vazquez H., Sanchez J. Scaling Sequential Recommendation Models with Transformers // Proc. of SIGIR '24. – 2024 https://surl.li/ncdtzo.