УДК 004.8
Использование нейронных сетей для повышения эффективности рекомендательных систем в организации развлекательных мероприятий
Я. А. Рудь, магистрант, Донецкий национальный технический университет, rezan20031@gmail.com
С. А. Зори, д.т.н., профессор, Донецкий национальный технический университет, ik.ivt.rec@mail.ru
И. А. Коломойцева, ст. преподаватель, Донецкий национальный технический университет, bolatiger@mail.ru
Аннотация
Статья посвящена применению нейронных сетей для улучшения эффективности рекомендательных систем в сфере организации развлекательных мероприятий. Основное внимание уделяется анализу методов и подходов, направленных на создание персонализированных рекомендаций, таких как выбор мероприятий (концертов, театров, фестивалей) с учётом предпочтений пользователей. Научная значимость работы заключается в выявлении сильных и слабых сторон существующих решений и в предложении новых подходов для повышения точности, адаптивности и вычислительной эффективности моделей. Практическое значение работы связано с разработкой более эффективных и персонализированных систем рекомендаций для индустрии развлечений, что может существенно улучшить пользовательский опыт.
Ключевые слова: нейронные сети, рекомендательные системы, развлекательные мероприятия, персонализация, машинное обучение, улучшение рекомендаций.
Введение
Современные рекомендательные системы становятся важным инструментом в различных сферах, включая организацию развлекательных мероприятий. С учётом роста объёма данных и разнообразия предпочтений пользователей традиционные методы рекомендаций, такие как коллаборативная и контентная фильтрация, становятся менее эффективными. В этой связи нейронные сети, в частности методы глубокого обучения, открывают новые возможности для создания более точных и персонализированных рекомендаций, учитывающих не только явные предпочтения пользователей, но и сложные скрытые закономерности.
Развлекательная индустрия (кино, театры, концерты, фестивали) является одной из наиболее перспективных областей применения рекомендательных систем. Эффективные системы могут значительно повышать удовлетворённость пользователей, предлагая мероприятия, которые в наибольшей степени соответствуют их интересам. Тем не менее остаются нерешёнными задачи учёта временной динамики предпочтений, адаптации рекомендаций в реальном времени и повышения вычислительной эффективности моделей.
Цель работы — исследовать возможности использования нейронных сетей для улучшения методов создания рекомендательных систем в сфере развлечений и предложить подходы к оптимизации этих систем с точки зрения точности и эффективности.
Обзор существующих методов создания рекомендательных систем
Рекомендательные системы играют ключевую роль в персонализации опыта пользователей, предлагая продукты или услуги, которые потенциально могут быть им интересны. Наиболее распространённые подходы — коллаборативная фильтрация, контентная фильтрация и гибридные методы.
Коллаборативная фильтрация основывается на предположении, что пользователи, демонстрировавшие схожие предпочтения в прошлом, будут иметь похожие вкусы и в будущем. Выделяют два типа: user-based и item-based. Преимущества — простота реализации и высокая эффективность при наличии большого объёма данных; недостатки — проблема «холодного старта», разреженность данных и высокая вычислительная сложность при масштабировании.
Контентная фильтрация ориентирована на характеристики самих объектов (жанр мероприятия, дата, местоположение, продолжительность и др.). Преимущество — отсутствие зависимости от других пользователей и более мягкий «холодный старт». Недостаток — ограниченность в открытии принципиально новых типов объектов, а также зависимость от полноты и качества описания.
Гибридные методы комбинируют оба подхода, а также используют дополнительные алгоритмы: факторизацию матриц, методы машинного обучения и нейронные сети. Это позволяет повысить точность рекомендаций и снизить влияние слабых сторон отдельных методов, но требует большего объёма вычислительных ресурсов и усложняет реализацию.
Использование нейронных сетей
Нейронные сети, особенно в рамках глубокого обучения, становятся всё более популярными для построения рекомендательных систем, поскольку позволяют эффективно выявлять сложные закономерности в больших объёмах данных. Возможность работы с разнородной информацией (тексты, временные ряды, геоданные, социальные сигналы) делает их удобным инструментом для интеграции различных источников данных о пользователях и мероприятиях.
Глубокие нейронные сети позволяют учитывать как явные, так и скрытые предпочтения пользователей, моделируя нелинейные связи между пользователями и объектами. Они могут использовать неструктурированные данные — текстовые описания событий, отзывы, социальные сигналы — и выявлять паттерны, недоступные классическим методам.
Рекуррентные нейронные сети (RNN) и их модификации, в частности LSTM, хорошо подходят для анализа временных зависимостей. Они позволяют отслеживать эволюцию интересов пользователя во времени, учитывать сезонность и реакцию на разные типы мероприятий.
Автоэнкодеры применяются для понижения размерности и построения латентных представлений пользователей и объектов. Это помогает выявлять скрытые признаки, объединять схожие типы мероприятий и строить более точные многомерные профили пользователей.
Модели для предсказания предпочтений пользователя
Современные модели на основе нейронных сетей позволяют учитывать широкий спектр факторов, влияющих на предпочтения пользователей: историю посещений мероприятий, оценки, жанровые предпочтения, интересы из профиля и социальных сетей, а также внешние параметры (местоположение, время года, погодные условия и др.).
Важной особенностью является возможность построения полностью персонализированных моделей, адаптирующихся к изменениям поведения пользователя. Система может анализировать последовательности действий (просмотры, клики, покупки билетов) и прогнозировать, какие типы мероприятий будут интересны в будущем.
Используются разные варианты персонализации:
- рекомендации на основе истории поведения пользователя;
- рекомендации на основе сходства пользователей (нейросетевые варианты коллаборативной фильтрации);
- гибридные модели, объединяющие пользовательские и контентные признаки.
Интеграция нейронных сетей в организацию и персонализацию мероприятий
Рекомендательные системы на основе нейронных сетей могут существенно улучшить подбор мероприятий, учитывая индивидуальные предпочтения и контекст. Помимо жанра и типа события (концерты, спектакли, фестивали) учитываются бюджет, доступные места, расстояние до площадки, история посещений, а также события, на которые ходят друзья пользователя.
Важным направлением является интеграция с мобильными приложениями и веб-платформами, что позволяет предоставлять рекомендации в режиме реального времени: с учётом текущего местоположения, доступности билетов, изменений в расписании и специальных предложений.
Дополнительный эффект даёт использование контекстной информации: погоды, сезонности, выходных и праздничных дней, социальных трендов. Это позволяет подбирать мероприятия, максимально соответствующие текущим условиям (например, закрытые площадки в дождь или фестивали на открытом воздухе в тёплую погоду).
Архитектура включает источники данных (пользователи, контекст, база мероприятий), модуль обработки на основе нейронной сети и интерфейсы взаимодействия с пользователем (мобильное приложение, веб-платформа). На выходе формируются персонализированные рекомендации, учитывающие как статические, так и динамические факторы.
Выводы
В ходе исследования рассмотрены ключевые аспекты использования нейронных сетей при создании рекомендательных систем для организации развлекательных мероприятий. Анализ традиционных методов (коллаборативная и контентная фильтрация, гибридные подходы) и современных нейросетевых моделей показал, что глубокое обучение позволяет существенно повысить качество персонализации.
Рекуррентные нейронные сети и LSTM-архитектуры эффективны для моделирования динамики предпочтений, а автоэнкодеры помогают выявлять скрытые паттерны в больших массивах данных. Совокупное использование этих инструментов позволяет учитывать сложные зависимости между пользователями и событиями, а также внешние факторы, влияющие на выбор.
Интеграция рекомендательных систем с мобильными и веб-платформами даёт возможность формировать рекомендации в реальном времени и учитывать контекст, что особенно важно для индустрии развлечений. Дальнейшее развитие связано с оптимизацией нейросетевых моделей, снижением вычислительных затрат и адаптацией к быстро изменяющимся предпочтениям пользователей.
Литература
- Зайцева С.А., Смирнов В.А. Ценностные регулятивы «рекомендательной системы» в контексте распространения нейросетевых моделей // Вестник Ивановского государственного университета. — 2022. — № 1. — С. 152–160.
- Смоленчук Т.В. Метод коллаборативной фильтрации для рекомендательных сервисов // Вестник науки и образования. — 2019. — № 22(76). — С. 18–21.
- Акинина Н.В., Акинин М.В., Соколова А.В. и др. Автоэнкодер: подход к понижению размерности векторного пространства с контролируемой потерей информации // Известия ТулГУ. Технические науки. — 2016. — № 9. — С. 3–12.
- Садовская А.В., Афанасьев А.Г., Афанасьев Г.И. Повышение разнообразия рекомендаций за счёт персонализации // E-Scio. — 2023. — № 8(83). — С. 141–160.
- 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.
Annotation
Rud Ya.A., Zori S.A., Kolomoitseva I.A. Using Neural Networks to Improve the Efficiency of Recommender Systems in Organizing Entertainment Events. The article is devoted to the use of neural networks to improve the efficiency of recommender systems in organizing entertainment events. The main attention is paid to the analysis of methods and approaches aimed at creating personalized recommendations, such as selecting events (concerts, theatres, festivals) taking into account user preferences. The scientific significance of the work lies in identifying the strengths and weaknesses of existing solutions and proposing new approaches to improve the accuracy, adaptability and computational efficiency of models. The practical significance is related to the development of more efficient and personalized recommendation systems for the entertainment industry, which can significantly improve user experience.
Key words: neural networks, recommender systems, entertainment events, personalization, machine learning, recommendation improvement.