УДК 004.8
Интеллектуальная система рекомендаций для организации досуга с использованием методов машинного обучения
В статье рассматривается разработка интеллектуальной системы рекомендаций, предназначенной для персонализации досуга пользователей. Основное внимание уделено построению ИИ-модуля, основанного на онлайн-обучении и вероятностных методах обновления предпочтений, что обеспечивает адаптацию рекомендаций к изменяющимся интересам человека. Описана архитектура системы, включающая модуль оценки привлекательности маршрутов и событий, механизм учёта контекстных факторов и блок взаимодействия с пользователем. Приведены принципы интеграции байесовских обновлений и имитации параметров «живописности» маршрутов. Представленные результаты могут быть использованы при создании рекомендательных сервисов в сфере туризма, городской навигации и досуговых приложений.
Ключевые слова: интеллектуальная система, рекомендации, онлайн-обучение, байесовские методы, планирование досуга.
Введение
Современные тенденции цифровизации охватывают все сферы жизнедеятельности человека, включая сферу организации досуга и туризма. В условиях высокой информационной перегрузки пользователю становится затруднительно самостоятельно отбирать оптимальные варианты отдыха, маршрутов или событий. В связи с этим особую актуальность приобретает разработка интеллектуальных систем рекомендаций, способных анализировать контекст и предпочтения пользователя, а также адаптироваться к его индивидуальным особенностям.
Классические рекомендательные системы, основанные на статических профилях пользователей, нередко демонстрируют низкую гибкость и недостаточную релевантность предложений при изменении внешних условий [1]. Это особенно заметно при планировании досуга, где на выбор активности влияют многочисленные факторы: погода, время суток, транспортная доступность, физическая активность, настроение и даже визуальная привлекательность маршрута [2].
Новизна данного исследования заключается в разработке архитектуры интеллектуальной системы, основанной на применении методов онлайн-обучения и байесовских подходов к обновлению предпочтений. Использование вероятностных моделей позволяет системе не только учитывать индивидуальные отклонения пользователей, но и постепенно уточнять прогнозы поведения на основе поступающего фидбэка.
Кроме того, предложен подход к оценке привлекательности маршрутов, включающий параметр «живописности» (scenic score), формализующий субъективное восприятие эстетических качеств пути. Это обеспечивает более реалистичное моделирование пользовательского выбора, в котором дорога рассматривается не только как средство достижения цели, но и как часть впечатления от досуга.
Практическая значимость исследования заключается в возможности применения разработанной модели при создании мобильных и веб-приложений, ориентированных на персонализированные рекомендации маршрутов, мероприятий и активностей. Предложенные решения могут использоваться в туристических навигационных системах, сервисах городской активности, а также в интеллектуальных помощниках для планирования времени.
Обзор подходов
Системы рекомендаций активно развиваются на стыке искусственного интеллекта, анализа данных и поведенческих моделей. Наиболее распространёнными являются подходы, основанные на контентной фильтрации и коллаборативной фильтрации [3]. В первом случае рекомендации формируются исходя из описаний объектов и сходства их признаков с ранее выбранными пользователем. Второй подход предполагает выявление схожих групп пользователей и прогнозирование их предпочтений на основе коллективного опыта.
Однако указанные методы часто оказываются недостаточно эффективными при необходимости учитывать динамические контексты, такие как изменение погоды, сезонность, текущее местоположение или настроение пользователя [4]. Для преодоления этих ограничений применяются гибридные модели, сочетающие контентные и поведенческие признаки, а также механизмы контекстной адаптации.
Современные исследования в области интеллектуальных рекомендаций всё чаще используют методы онлайн-обучения, позволяющие системе обновлять параметры в режиме реального времени. Такой подход обеспечивает адаптацию к изменяющимся интересам пользователя без необходимости полного переобучения модели. В частности, популярность получили байесовские методы обновления и алгоритмы Thompson Sampling, позволяющие оценивать неопределённость предсказаний и корректировать предпочтения на основе вероятностных распределений [5].
Для задач планирования досуга и построения маршрутов особое значение имеют геопространственные и погодные факторы, которые могут существенно влиять на релевантность рекомендаций. В этой связи применяются модели контекстно-зависимых фильтров и кластеризация геолокаций (например, DBSCAN, HDBSCAN) для выделения устойчивых региональных паттернов пользовательской активности.
Дополнительно используется стратегия смешанного разнообразия (mixed diversity strategy), при которой система предлагает не только наиболее вероятные предпочтения пользователя, но и альтернативные варианты, обеспечивающие элемент новизны и расширение опыта. Это особенно важно для систем, направленных на повышение качества досуга и вовлечённости пользователей [6].
Таким образом, современные рекомендательные системы эволюционируют от статических моделей к самообучающимся контекстным архитектурам, способным интегрировать данные о пользователях, погоде, времени, географии и эстетике маршрутов. Именно на этой концепции базируется предлагаемая интеллектуальная система.
Архитектура системы
Разрабатываемая интеллектуальная система предназначена для формирования персонализированных рекомендаций по проведению досуга с учётом погодных условий, времени суток, геолокации и индивидуальных предпочтений пользователя. Архитектура построена по модульному принципу, что обеспечивает гибкость масштабирования, возможность интеграции внешних источников данных и независимость компонентов при обновлении.
Система функционирует на серверной платформе, обеспечивающей обработку запросов пользователей в режиме реального времени. Взаимодействие с пользователем осуществляется через прикладной интерфейс (мобильное или веб-приложение), который передаёт параметры запроса и получает готовые рекомендации. Основная вычислительная нагрузка сосредоточена на сервере, где происходит обработка входных данных, анализ контекста и генерация рекомендаций.
Центральным элементом системы выступает ИИ-модуль, включающий подсистемы обработки данных, моделирования пользовательских предпочтений и контекстной адаптации. Этот компонент отвечает за интеллектуальный анализ информации, формирование оптимальных рекомендаций и обновление вероятностных моделей на основе обратной связи [7].
Взаимодействие ИИ-модуля с другими компонентами обеспечивает целостность функционирования системы.
Основные компоненты системы включают:
- Модуль сбора данных – осуществляет агрегацию информации о погодных условиях, геолокации, инфраструктуре и доступных точках интереса. Этот модуль также отвечает за предварительную обработку данных (фильтрацию, нормализацию и структурирование) перед их передачей в ИИ-модуль.
- ИИ-модуль – выполняет персонализированный анализ данных, учитывает контекст пользователя, обновляет вероятностные модели предпочтений и формирует рекомендации. Именно этот компонент придаёт системе интеллектуальные свойства.
- Модуль управления маршрутами – генерирует маршруты с учётом критериев сложности, времени, эстетической привлекательности и удобства. На основе результатов ИИ-модуля производится ранжирование и отбор оптимальных вариантов.
- База данных – обеспечивает долговременное хранение информации о пользователях, их предпочтениях, истории активности и контекстных данных. Доступ к данным осуществляется через стандартизированные интерфейсы, что повышает надёжность и безопасность хранения.
- Модуль коммуникации – выполняет роль связующего звена между компонентами системы. Он обеспечивает обмен данными между модулями, управление запросами, передачу результатов и взаимодействие с внешними источниками информации.
Таким образом, предложенная архитектура обеспечивает структурированное разделение функций, модульность, масштабируемость и возможность внедрения различных интеллектуальных моделей без нарушения общей логики системы.
Архитектура ИИ-модуля
ИИ-модуль является центральным элементом интеллектуальной системы рекомендаций, обеспечивающим персонализированное формирование маршрутов и предложений на основе анализа данных и вероятностного моделирования предпочтений. Архитектура модуля построена по принципу многоуровневой обработки информации, что позволяет реализовать как аналитические, так и обучающие функции в единой среде.
Основная цель ИИ-модуля — адаптивное обновление пользовательской модели и генерация релевантных рекомендаций с учётом динамического контекста (погодные условия, время суток, физическая нагрузка, уровень «живописности» маршрута).
ИИ-модуль включает несколько взаимосвязанных подсистем:
- Подсистема обработки входных данных — осуществляет приём и предварительную обработку информации, поступающей от модуля сбора данных. На этом этапе выполняется нормализация параметров, устранение пропусков, приведение данных к единому формату и выделение признаков, значимых для дальнейшего анализа.
- Контекстный анализатор — отвечает за интерпретацию внешних факторов (погоды, времени суток, геопозиции и уровня активности пользователя). На основе этих данных формируется контекстный вектор, который используется для модификации вероятностных распределений предпочтений.
- Байесовский блок обновления предпочтений — реализует механизм онлайн-обучения по принципу Байесовских обновлений или выборки Томпсона (Thompson Sampling). После получения обратной связи от пользователя модель пересчитывает апостериорные вероятности, повышая точность прогнозирования предпочтений и адаптируясь к индивидуальным особенностям [8].
- Модуль генерации рекомендаций — формирует список маршрутов и мероприятий, ранжируя их по совокупности критериев: соответствие предпочтениям, погодная совместимость, длительность, физическая нагрузка, эстетическая привлекательность и фактор новизны.
- Модуль оценки привлекательности маршрутов — использует параметр «живописности» (scenic score), который симулирует субъективную оценку визуальной привлекательности маршрута на основе данных о местности и типе активности. Эта характеристика интегрируется в итоговый рейтинг маршрутов и влияет на формирование финальных рекомендаций.
- Подсистема обратной связи — принимает пользовательские оценки, сопоставляет их с предсказанными ожиданиями и передаёт данные в байесовский блок для обновления модели. Таким образом обеспечивается непрерывное самообучение системы без необходимости полного переобучения [9].
Заключение
Разработанная архитектура интеллектуальной системы рекомендаций демонстрирует возможность комплексного учёта индивидуальных и контекстных факторов при планировании досуга пользователей. Использование методов онлайн-обучения и байесовских обновлений предпочтений обеспечивает постепенную адаптацию модели к изменениям интересов, повышая точность и релевантность предлагаемых маршрутов и мероприятий.
Интеграция параметра «живописности» позволила расширить традиционные критерии рекомендаций, включив в них эстетическую составляющую восприятия. Такой подход приближает систему к реальным моделям человеческого выбора, где субъективное восприятие маршрута играет не меньшую роль, чем рациональные параметры времени и удобства.
Архитектура ИИ-модуля, представленная в работе, обеспечивает модульность, масштабируемость и возможность дальнейшего совершенствования. В частности, она допускает расширение за счёт включения новых контекстных факторов (психоэмоциональное состояние, социальные данные, временные паттерны активности) и внедрение гибридных алгоритмов рекомендаций, объединяющих вероятностные и нейросетевые подходы [10].
Практическая значимость исследования заключается в потенциале его применения при создании мобильных и веб-сервисов для туризма, городской навигации и планирования досуга. Предложенная концепция позволяет повысить персонализацию рекомендаций, улучшить пользовательский опыт и сформировать интеллектуальную основу для цифровых сервисов нового поколения.
Перспективы дальнейшей работы связаны с экспериментальной верификацией предложенной модели на реальных пользовательских данных, исследованием влияния различных факторов контекста на качество рекомендаций, а также интеграцией модуля визуальной оценки маршрутов на основе изображений и данных компьютерного зрения.
Список используемой литературы
- Денисенко И. А. Современные направления исследований в области рекомендательных систем // Экономические проблемы и правопрактика. – 2022. – Т. 18, № 3. – С. 75–79.
- Roy D., Dutta M. A systematic review and research perspective on recommender systems // Journal of Big Data. – 2022. – Vol. 9. – P. 59.
- 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. – 2012. – Vol. 3. – P. 195–214.
- 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.
- Guo G., Zhang J., Yorke-Smith N. A Novel Evidence-Based Bayesian Similarity Measure for Recommender Systems // ACM Transactions on the Web. – 2016. – Vol. 10, No. 2.
- Galuzzi B.G., Giordani I., Candelieri A. Hyperparameter optimization for recommender systems through Bayesian optimization // Computational Management Science. – 2020. – Vol. 17. – P. 495–515.
- Жарова М. А., Цурков В. И. Нейросетевые подходы для рекомендательных систем // Теория и системы управления. – 2023. – № 6. – С. 150–165.
- Голованский П. А., Шаталова А. О. Fuzzy Cold-Start Recommender System for Educational Trajectory Choice // Control Sciences. – 2022. – № 5.
- Жарова М. А. Application of boosting in recommender systems // Теория и системы управления. – 2025. – № 4. – С. 132–148.
- Ахматнуров М., Игнатов Д. И. Context-Aware Recommender System Based on Boolean Matrix Factorisation // CEUR Workshop Proceedings. – 2015. – Vol. 1466.