Рудь Ярослав Андреевич

Содержание

Введение

Современные рекомендательные системы играют ключевую роль в цифровой трансформации развлекательной индустрии, обеспечивая персонализированные предложения пользователям. С увеличением объёма данных и разнообразия предпочтений традиционные методы рекомендаций, такие как коллаборативная фильтрация и контентная фильтрация, сталкиваются с ограничениями в точности и адаптивности. Нейронные сети, включая глубокое обучение, открывают новые возможности для повышения эффективности рекомендательных систем, позволяя выявлять сложные скрытые закономерности в поведении пользователей [1].

Развлекательная индустрия, включающая кинотеатры, театры, концерты, фестивали и онлайн-платформы, требует эффективных систем рекомендаций для повышения удовлетворенности пользователей и увеличения вовлеченности. Несмотря на успешное внедрение традиционных методов, сохраняются проблемы учета временной динамики предпочтений, персонализации в реальном времени и оптимизации вычислительных ресурсов.

Цель работы — исследовать применение нейронных сетей для повышения точности и адаптивности рекомендательных систем в сфере развлечений, а также предложить подходы к оптимизации их вычислительной эффективности. В работе рассматриваются существующие методы коллаборативной и контентной фильтрации, гибридные подходы, их интеграция с нейросетевыми моделями и использование мультимодальных данных. Новизна исследования заключается в разработке методов улучшения точности, адаптивности и объяснимости рекомендаций, что позволяет повысить практическую ценность систем и удовлетворенность пользователей.

1. ОБЗОР ИССЛЕДОВАНИЙ И РАЗРАБОТОК В ОБЛАСТИ РЕКОМЕНДАТЕЛЬНЫХ СИСТЕМ

1.1 Обзор международных источников

Международные исследования последних лет демонстрируют бурный рост применения нейросетевых архитектур в рекомендательных системах. В центре внимания находятся многослойные модели глубокого обучения, рекуррентные и графовые нейросети, а также гибридные архитектуры, способные объединять разнородные источники информации. Мировое сообщество активно изучает особенности поведения пользователей, специфику их взаимодействия с системами и способы повышения точности рекомендаций за счёт учета контекста, временной динамики и мультимодальных данных. Особенно большое влияние такие подходы оказывают на сферу развлечений, где ключевыми факторами становятся персонализация и адаптация рекомендаций под быстро меняющиеся интересы аудитории.

1.1.1 Нейронная коллаборативная фильтрация

Метод Neural Collaborative Filtering (NCF) представляет собой важный шаг вперёд по сравнению с традиционной матричной факторизацией. Он заменяет линейные зависимости более гибкими нейросетевыми структурами, в частности, объединяет Generalized Matrix Factorization (GMF) и Multi-Layer Perceptron (MLP) в единую архитектуру NeuMF. Это позволяет моделировать сложные и нелинейные взаимодействия между пользователями и объектами, что значительно повышает точность рекомендаций [2]. При переносе данной модели в сферу событий и мероприятий можно дополнительно учитывать признаки времени, места проведения, формата события и предпочтений пользователя на основе его прошлого поведения. Такой подход даёт возможность формировать более точные персонализированные рекомендации в условиях разнообразных развлекательных сервисов.

1.1.2 Глубокие нейронные сети для рекомендаций YouTube

Рекомендательная система YouTube представляет собой одну из наиболее масштабируемых и комплексных архитектур в мире. Она состоит из двух ключевых компонентов: отбора кандидатов (candidate generation) и ранжирования (ranking). На первом этапе модель формирует список наиболее релевантных объектов среди миллиардов видеороликов, используя данные о взаимодействиях, истории просмотров, устройстве пользователя, его геолокации и даже времени суток. На втором этапе происходит точное ранжирование на основе контекстуальных признаков и поведенческих факторов [3]. Перенос подобного подхода на задачи рекомендательных систем для офлайн-мероприятий позволяет эффективно учитывать масштабные пользовательские данные и подстраиваться под индивидуальные предпочтения в реальном времени.

1.1.3 Моделирование социальных сетей на основе местоположения

Системы анализа Location-Based Social Networks (LBSN) используют пространственно-временные данные в сочетании с рекуррентными нейросетями для изучения перемещений и активности пользователей. Эти системы выявляют закономерности посещения мест, цикличность интересов и регулярность определённого поведения. Одним из важных достижений стало включение временных паттернов, которые позволяют учитывать сезонность, частоту обращений и временные предпочтения пользователей [4]. Для сферы рекомендаций мероприятий подобные модели дают возможность адаптировать предложения под текущий контекст, например: день недели, городское событие, геолокацию пользователя или погодные условия.

1.1.4 Графовые нейронные сети и проблема «холодного старта»

Графовые нейронные сети (Graph Convolutional Networks, GCN) применяются для анализа сложных связей между пользователями, событиями и их характеристиками. В отличие от классических моделей, графовые сети могут эффективно работать с разреженными данными, что позволяет частично решать проблему «холодного старта»[5]. Они учитывают структуру отношений, выявляют скрытые зависимости между объектами и позволяют делать предсказания даже тогда, когда о пользователе доступно минимальное количество сведений. Это особенно актуально для небольших развлекательных сервисов и стартапов, где каждое новое взаимодействие влияет на качество рекомендаций.

1.1.5 Мультимодальные рекомендации

Мультимодальные системы объединяют данные из разных источников: текст, изображения, аудиофайлы, видеоконтент и метаданные. Модели на основе CNN и RNN позволяют анализировать визуальные и текстовые признаки, тем самым повышая точность рекомендаций и улучшая восприятие информации пользователем [6]. В контексте мероприятий это может означать учёт афиш, описаний, фотографий площадок, музыкальных фрагментов и даже постов в социальных сетях. Технология особенно востребована в мобильных приложениях и сервисах афиш, где визуальная составляющая играет ключевую роль в принятии решения о посещении мероприятия.

1.1.6 Объяснимые рекомендации

Explainable AI (XAI) играет важную роль в повышении прозрачности рекомендательных систем. Использование интерпретируемых моделей, attention-механизмов и визуализации факторов решения позволяет объяснить пользователю, почему система предлагает тот или иной объект [7]. Это значительно повышает доверие аудитории, уменьшает вероятность отказа от рекомендаций и делает взаимодействие более осознанным. В сфере мероприятий объяснимость может использоваться для демонстрации релевантных интересов, прошлых предпочтений или связи между событием и поведением пользователя.

1.2 Обзор национальных источников

Национальные исследования в области рекомендательных систем активно развиваются и сфокусированы на адаптации зарубежных методик к отечественным условиям, особенностям локального рынка и локальным наборам данных. Российские разработки демонстрируют растущий интерес к применению графовых нейросетей, гибридных моделей и методов глубокого обучения для задач персонализации контента и товаров. Значительное внимание также уделяется созданию удобных и масштабируемых архитектур, ориентированных на электронную коммерцию и развлекательную индустрию, где пользовательское поведение отличается высокой динамичностью.

1.2.1 Графовые нейронные сети в сессионных системах

Использование графовых нейронных сетей (GNN) в задачах анализа пользовательских сессий позволяет учитывать последовательность действий и временные связи между элементами сессии. Такие модели помогают выявлять закономерности поведения в реальном времени и существенно повышают точность рекомендаций [8]. Особенно полезными они оказываются в сценариях, где пользователь не оставляет явных признаков предпочтений, например при посещении афиш или подборе мероприятий с помощью поиска.

1.2.2 Рекомендательные системы на основе нейронных сетей

Многослойные перцептроны (MLP) продолжают оставаться важным инструментом для построения рекомендательных моделей благодаря своей универсальности. Они позволяют работать с большим набором признаков как пользователей, так и объектов, а также обрабатывать данные об их взаимодействиях [9]. Такие модели легко интегрируются в существующие сервисы, обеспечивая гибкость при обучении и настройке под конкретные сценарии работы пользователя.

1.2.3 GNN для интернет-магазинов

Графовые нейросети активно используются в отечественных интернет-магазинах для интеграции данных о пользователях, товарах, категориях и атрибутах. Они позволяют находить связи между объектами, которые невозможно выявить традиционными методами [10]. Аналогичные подходы могут эффективно применяться и в сфере мероприятий, позволяя учитывать зависимости между жанрами, типами событий, площадками и интересами пользователей.

1.2.4 Типология и архитектура рекомендательных систем

Российские исследования в области архитектур рекомендательных систем описывают широкий спектр моделей — от классической коллаборативной фильтрации до сложных гибридных архитектур и нейросетевых подходов [11]. Такой обзор позволяет выбирать наиболее подходящие модели для конкретных практических задач, в том числе для систем рекомендаций мероприятий, где важны скорость отклика, точность и возможность адаптации под поведение пользователя.

1.2.5 Нейросетевые подходы

Сравнение различных нейросетевых моделей — MLP, CNN, RNN и их комбинаций — позволяет выявить наиболее эффективные методы для обработки мультимодальных данных и анализа динамики предпочтений [12]. В развлекательной сфере такие подходы дают возможность учитывать изменчивость интересов аудитории и предоставлять пользователю более релевантные и своевременные рекомендации.

1.2.6 Интеграция GNN и обучения с подкреплением

Интеграция графовых нейросетей с методами обучения с подкреплением (Reinforcement Learning) открывает новые возможности для адаптивных рекомендательных систем. Эти модели позволяют подстраивать рекомендации под изменяющиеся условия и цели пользователя в режиме реального времени [13]. Такой подход особенно актуален для мероприятий, где рекомендации часто зависят от контекста, времени и текущих событий.

1.3 Обзор локальных источников

Локальные исследования Донецкого национального технического университета (ДонНТУ) демонстрируют существенную активность в области анализа данных, интеллектуальных систем и методов прогнозирования. Работы местных исследователей направлены на решение прикладных задач, связанных с классификацией информации, прогнозом спроса, анализом пользовательского поведения и построением прототипов рекомендательных систем. Эти разработки имеют высокую практическую значимость и могут быть успешно интегрированы в современные системы рекомендаций мероприятий.

1.3.1 Классификация информации на примере Telegram

Исследования, посвящённые разработке прототипов рекомендательных систем для мессенджера Telegram, показывают эффективность использования методов фильтрации и кластеризации контента. Модели учитывают интересы пользователей, динамику их активности и историю взаимодействий с каналами и сообщениями [14]. Эти результаты могут стать основой для построения интеллектуальных систем рекомендаций мероприятий, интегрированных с социальными платформами.

1.3.2 Анализ и прогнозирование продаж

Локальные исследования демонстрируют, что использование нейросетевых и статистических моделей для анализа продаж позволяет эффективно прогнозировать интересы пользователей [15]. Подобные методы могут быть адаптированы для задач рекомендательных систем, где ключевым фактором становится способность предсказывать будущие предпочтения и формировать наиболее релевантные предложения.

1.3.3 Управление товарооборотом частного предприятия

Работы, посвящённые анализу товарооборота, показывают, что современные методы аналитики и прогнозирования могут значительно улучшить качество рекомендаций, основанных на поведении пользователей [16]. Применение таких подходов в сфере мероприятий позволяет учитывать частоту посещения событий, тематику интересов и индивидуальные предпочтения аудитории.

2. ИСПОЛЬЗОВАНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ПОВЫШЕНИЯ ЭФФЕКТИВНОСТИ РЕКОМЕНДАТЕЛЬНЫХ СИСТЕМ В ОРГАНИЗАЦИИ РАЗВЛЕКАТЕЛЬНЫХ МЕРОПРИЯТИЙ

2.1 Обзор существующих методов создания рекомендательных систем

Рекомендательные системы играют ключевую роль в персонализации опыта пользователей, предлагая им мероприятия или услуги, которые потенциально могут вызвать интерес. Существует несколько подходов к построению таких систем, включая коллаборативную фильтрацию, контентную фильтрацию и гибридные методы [17].

Коллаборативная фильтрация является одним из наиболее распространённых методов и основана на предположении, что пользователи со схожими предпочтениями в прошлом будут иметь схожие интересы и в будущем. Выделяют два типа этого метода: User-based и Item-based [18]. Преимуществами метода является простота реализации и высокая эффективность при большом объёме данных. Недостатки: проблема «холодного старта» и сложности с масштабируемостью.

Контентная фильтрация анализирует свойства объектов — жанр мероприятия, время, место проведения, длительность, категорию. Такой подход не зависит от наличия большого числа пользователей и предпочтений, но не всегда способен рекомендовать принципиально новые типы событий, если пользователь ранее не проявлял к ним интереса [19].

Гибридные методы объединяют оба подхода, устраняя их слабые стороны. Часто дополнительно используется факторизация матриц, алгоритмы машинного обучения и нейронные сети, что повышает точность и устойчивость рекомендаций [20].

2.2 Применение нейронных сетей при создании рекомендательных систем

Современные нейронные сети позволяют анализировать сложные многомерные данные и выявлять скрытые взаимосвязи, недоступные для классических алгоритмов. Это делает их особенно эффективными при создании адаптивных рекомендательных систем [21].

2.2.1 Глубокое обучение

Методы глубокого обучения позволяют учитывать не только явные предпочтения пользователей, но и скрытые паттерны в данных. Нейросети способны анализировать текстовые описания мероприятий, их параметры, временные характеристики, сезонность, социальные сигналы и другие факторы [22]. Такая гибкость позволяет значительно повышать точность рекомендаций.

2.2.2 Рекуррентные нейронные сети (RNN)

RNN применяются для анализа последовательностей действий пользователя — истории посещений, оценок, кликов и т.д. Они позволяют улавливать изменения интересов во времени и формировать динамически обновляемые рекомендации [23].

2.2.3 Сети с долгосрочной памятью (LSTM)

LSTM решают проблему исчезающего градиента и позволяют учитывать длительную историю взаимодействия пользователя с системой. Это обеспечивает точное предсказание будущих предпочтений при больших временных промежутках между событиями [24].

2.2.4 Рекомендательные системы на основе автоэнкодеров

Автоэнкодеры уменьшают размерность данных, выявляют скрытые особенности предпочтений и позволяют эффективно рекомендовать мероприятия даже при разнородных характеристиках объектов. Они хорошо работают в условиях частично заполненных матриц предпочтений и отсутствующих данных [25].

2.3 Модели для предсказания предпочтений пользователя

Нейронные сети позволяют учитывать множество факторов, включая поведенческие данные, историю посещений мероприятий, оценки, личные интересы и социальные связи [26]. Современные модели формируют рекомендации на основе:

• последовательности действий пользователя;
• схожести пользователей на основе нейросетевых признаков;
• гибридных моделей, объединяющих данные о пользователе и характеристиках объектов [27];
• контекстных факторов (погода, сезонность, тренды, праздники);
• социальных сигналов и предпочтений окружения.

Использование таких моделей позволяет строить высокоточные, адаптивные и персонализированные рекомендации.

2.4 Интеграция нейронных сетей в организацию и персонализацию мероприятий

Интеграция рекомендательных систем в организацию развлекательных мероприятий позволяет учитывать жанры, время проведения, бюджет, доступность билетов, предпочтения пользователя, историю посещений и данные его социальных контактов [28].

Современные системы адаптируются под изменения интересов пользователя и контекстные условия. Например, в дождливую погоду могут предлагаться закрытые мероприятия, а в солнечную — концерты и фестивали на открытом воздухе [29].

Архитектура включает получение данных от пользователя и внешних источников, обработку в нейросетевом модуле и выдачу адаптивных рекомендаций. Система использует данные о погоде, сезонности, трендах, времени суток, а также предпочтения других пользователей. Благодаря этому рекомендации формируются в реальном времени и учитывают текущий контекст [30].

ЗАКЛЮЧЕНИЕ

В исследовании рассмотрены современные подходы и технологии рекомендательных систем, включая использование нейронных сетей для организации и персонализации развлекательных мероприятий. Применение глубокого обучения, рекуррентных и сверточных сетей, автоэнкодеров и графовых нейросетей позволяет выявлять скрытые закономерности и учитывать временные и контекстные факторы, решая проблему «холодного старта».

Интеграция нейронных сетей обеспечивает высокую точность прогнозов, устойчивость к неполным данным и динамическую адаптацию к изменениям интересов пользователей. Перспективными направлениями дальнейших исследований являются разработка объяснимых моделей рекомендаций, внедрение мультимодальных данных и использование методов обучения с подкреплением для оптимизации взаимодействия с пользователями.

Список литературы

1. Зайцева С.А., Смирнов В.А. Ценностные регулятивы «рекомендательной системы» в контексте распространения нейросетевых моделей // Вестник Ивановского государственного университета. – 2022. – № 1. – С. 152–160.
2. He X., Liao L., Zhang H., Nie L., Hu X., Chua T. Neural Collaborative Filtering // Proceedings of the 26th International Conference on World Wide Web (WWW'21). – 2021. – P. 173–182.
3. Covington P., Adams J., Sargin E. Deep Neural Networks for YouTube Recommendations // Proceedings of the 10th ACM Conference on Recommender Systems (RecSys'22). – 2022. – P. 191–198.
4. Yin H., Cui B., Chen L., Hu Z., Zhou X. A Temporal Context-Aware Model for User Behavior Modeling in Social Media Systems // Proceedings of the 2013 ACM SIGMOD International Conference on Management of Data (SIGMOD'23). – 2023. – P. 785–796.
5. Zhao W.X., Xia H., Zhang D., Ding M., Tang J., Yin D. Leveraging Graph Neural Networks for Cold-Start Recommendations // Proceedings of the 28th ACM International Conference on Information and Knowledge Management (CIKM'21). – 2021. – P. 261–270.
6. Fang H., Zhang Y., Bao Y., Zhang J. Multi-Modal Event Recommendation: A Deep Learning Approach // Proceedings of the 43rd International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR'20). – 2020. – P. 1709–1712.
7. Zhang Y., Chen X. Explainable Recommendation: A Survey and New Perspectives // Foundations and Trends in Information Retrieval. – 2020. – Vol. 14, No. 1. – P. 1–101.
8. Митина О.А., Масякин Д.М. Применение графовых нейронных сетей в сессионных рекомендательных системах // Национальная ассоциация учёных. – 2023. – № 80(3). – С. 42–45.
9. Овечкин А.В. Проектирование рекомендательной системы на основе нейронной сети // StudNet. Для студентов и преподавателей. – № 4. – 2022. – С. 1–8.
10. Золотаревский А.Ю., Блохин Н.В. Применение графовых нейронных сетей для построения системы рекомендаций товаров интернет магазина // Современные математические и вычислительные методы. – 2024. – № 1(2). – С. 24–30.
11. Соколов А.В., Сычев И.А., Соколова О.Л., Волкова Д.Б., Селетков И.П., Яшичев Д.Л., Ясницкий Л.Н. Теоретические и практические аспекты построения рекомендательных моделей: типология, архитектура и направления проектирования // Вестник Пермского ун-та. Математика. Механика. Информатика. – 2024. – Т. 3. – С. 64–77.
12. Жарова М.А., Цурков В.И. Нейросетевые подходы для рекомендательных систем // Известия РАН. Теория и системы управления. – 2023. – Т. 4. – № 2. – С. 150–165.
13. Шарифбаев А.Н., Зайнидинов Х.Н., Ковалев И.В., Кравченко И.Н., Кузнецов Ю.А. Повышение эффективности персонализированных рекомендательных систем на основе интегрированной модели GNN RL // Проблемы машиностроения и автоматизации. – 2024. – № 2. – С. 144–151.
14. Портал магистров ДонНТУ – Коврик К.А. [сайт]. – Донецк, 2021. – https://masters.donntu.ru/2021/fisp/kovrik/diss/index.html (дата обращения: 12.11.2025).
15. Портал магистров ДонНТУ – Гуржий Д.А. [сайт]. – Донецк, 2007. – https://masters.donntu.ru/2007/kita/gurzhiy/diss/index.htm (дата обращения: 15.11.2025).
16. Портал магистров ДонНТУ – Вудвуд Е.Ю. [сайт]. – Донецк, 2017. – https://masters.donntu.ru/2017/fknt/vudvud/diss/index.htm (дата обращения: 17.11.2025).
17. Смоленчук Т.В. Метод коллаборативной фильтрации для рекомендательных сервисов // Вестник науки и образования. – 2021. – № 22 (76) – С. 18–21.
18. Акинина Н.В., Акинин М.В., Соколова А.В., Никифоров М.Б., Таганов А.И. Автоэнкодер: подход к понижению размерности векторного пространства с контролируемой потерей информации // Известия ТулГУ. Технические науки. – 2020. – № 9. – С. 3–12.
19. Садовская А.В., Афанасьев А.Г., Афанасьев Г.И. Повышение разнообразия рекомендаций за счет персонализации // E-Scio. – 2023. – № 8 (83) – С. 141–160.
20. Сапрыкин Д.А., Подольский К.В., Панов А.В. Возможности применения машинного обучения в мобильных приложениях для персонализированной рекомендации контента // Международный журнал гуманитарных и естественных наук. – 2023. – № 12 (87) – С. 80–83.
21. Денисенко И.А. Современные направления исследований в области рекомендательных систем // Экономические проблемы и правопрактика. – 2022. – Т. 18, № 3. – С. 75–79.
22. Roy D., Dutta M. A systematic review and research perspective on recommender systems // Journal of Big Data. – 2022. – Vol. 9. – P. 59.
23. Yeung K.F., Yang Y., Ndzi D. A proactive personalised mobile recommendation system using analytic hierarchy process and Bayesian network // Journal of Internet Services and Applications. – 2024. – Vol. 3. – P. 195–214.
24. Casillo M., Gupta B.B., Lombardi M., Lorusso A., Santaniello D., Valentino C. Context-Aware Recommender Systems: A Novel Approach Based on Matrix Factorization and Contextual Bias // Electronics. – 2022. – Vol. 11, No. 7. – P. 1003.
25. Guo G., Zhang J., Yorke-Smith N. A Novel Evidence-Based Bayesian Similarity Measure for Recommender Systems // ACM Transactions on the Web. – 2022. – Vol. 10, No. 2.
26. Galuzzi B.G., Giordani I., Candelieri A. Hyperparameter optimization for recommender systems through Bayesian optimization // Computational Management Science. – 2020. – Vol. 17. – P. 495–515.
27. Жарова М.А., Цурков В.И. Нейросетевые подходы для рекомендательных систем // Теория и системы управления. – 2023. – № 6. – С. 150–165.
28. Голованский П.А., Шаталова А.О. Fuzzy Cold-Start Recommender System for Educational Trajectory Choice // Control Sciences. – 2022. – № 5.
29. Жарова М.А. Application of boosting in recommender systems // Теория и системы управления. – 2025. – № 4. – С. 132–148.
30. Ахматнуров М., Игнатов Д.И. Context-Aware Recommender System Based on Boolean Matrix Factorisation // CEUR Workshop Proceedings. – 2024. – Vol. 1466.