Публикации автора

Целью исследования явился анализ эволюции методов построения рекомендательных систем и подходов к оценке их качества в условиях многокритериальности и изменяющихся пользовательских предпочтений. В ходе работы рассмотрены основные этапы развития рекомендательных технологий, систематизированы современные алгоритмы и архитектуры, включая гибридные, нейросетевые и графовые модели. Особое внимание уделено методам оценки качества рекомендаций и классификации метрик, отражающих точность, уровень ранжирования, разнообразие и ресурсную эффективность по группам. В статье также показано, что ориентации исключительно на метрики точности для адекватной оценки результативности рекомендательных систем недостаточно. Авторы исследования рассмотрели ключевые методологические проблемы, включая холодный старт, разреженность данных и необходимость баланса между точностью и разнообразием рекомендаций, и сделали вывод о целесообразности комплексного многокритериального подхода к оценке рекомендательных систем. Результаты исследования могут быть использованы научными работниками, разработчиками рекомендательных систем, специалистами в области машинного обучения и анализа данных, а также представителями бизнеса при выборе и оценке эффективности рекомендательных алгоритмов.

Рассматривается задача формирования интегрального показателя для оценки эффективности алгоритмов рекомендательных систем, который был создан путем объединения отдельных метрик с использованием энтропийного метода. Работа основывается на исследовании в качестве базы для тестирования набора из 12 алгоритмов, с одной стороны, и трех наборов данных, с другой, для каждой комбинации которых были рассчитаны отдельные критерии, используемые в практике оценки рекомендательных систем. Результаты исследования свидетельствуют о том, что полученный интегральный показатель является эффективным инструментом оценки работы алгоритмов рекомендательных систем. Показано, что качество работы алгоритмов различается в зависимости от размера и иных базовых характеристик набора данных. Обобщенная мера может быть использована для разработки более эффективных алгоритмов, их ансамблей, оптимизации гиперпараметров и улучшения качества рекомендаций.