ІНТЕЛЕКТУАЛЬНА ІНФОРМАЦІЙНА СИСТЕМА ПЕРСОНАЛІЗОВАНОЇ РЕКОМЕНДАЦІЇ НА ОСНОВІ ІСТОРІЇ ВЗАЄМОДІЙ КОРИСТУВАЧІВ
DOI:
https://doi.org/10.32689/maup.it.2025.3.6Ключові слова:
рекомендаційні системи, емоційний інтелект, графові нейронні мережі, машинне навчання, персоналізація; кіноіндустріяАнотація
Стаття присвячена розробці та впровадженню інформаційної системи Emotion-Aware Recommender, яка поєднує методи машинного навчання та графові нейронні мережі з метою підвищення точності персоналізованих рекомендацій у кіноіндустрії. Методологія передбачає збір та підготовку даних із різних джерел – історія переглядів, рейтинги, текстові відгуки та емоційні мітки; побудову гетерогенного графа з вузлами «користувач», «фільм», «жанр», «емоція»; використання ансамблевих моделей (XGBoost, LightGBM, CatBoost) для прогнозування рейтингів; а також графової нейронної мережі Heterogeneous Graph Transformer (HGT) для прогнозу емоцій та поліпшеного ранжування.Наукова новизна роботи полягає в інтеграції емоційного контексту у рекомендаційний процес на рівні графових зв’язків, застосуванні багатозадачного навчання та забезпеченні пояснюваності через механізми уваги та SHAP-аналіз. Експериментальні результати показують, що запропонована система досягає значного покращення метрик HR@10, NDCG@10 та Macro-F1 у порівнянні з базовими моделями.Висновки демонструють, що врахування емоцій підвищує релевантність і задоволеність користувачів, а система має потенціал адаптації для інших доменів, таких як музика, література чи освітні сервіси.
Посилання
Adomavicius G., Tuzhilin A. Toward the next generation of recommender systems: A survey of the state-of-the- art and possible extensions. IEEE Transactions on Knowledge and Data Engineering. 2005. Vol. 17, No. 6. P. 734–749. URL: https://doi.org/10.1109/TKDE.2005.99
Cambria E., Poria S., Hazarika D., Kwok K. SenticNet 7: A commonsense-based sentiment and emotion lexicon for social media. Proceedings of the AAAI Conference on Artificial Intelligence. 2022. Vol. 36, No. 11. P. 12364–12371. URL: https://doi.org/10.1609/aaai.v36i11.21448
He X., Liao L., Zhang H., Nie L., Hu X., Chua T.-S. Neural collaborative filtering. Proceedings of the 26th International Conference on World Wide Web (WWW). 2017. P. 173–182. URL: https://doi.org/10.1145/3038912.3052569
Hamilton W., Ying R., Leskovec J. Inductive representation learning on large graphs. Advances in Neural Information Processing Systems (NeurIPS). 2017. Vol. 30. URL: https://proceedings.neurips.cc/paper/2017/hash/ 5dd9db5e033da9c6fb5ba83c7a7ebea9-Abstract.html
Li J., Ma J., Zhang J. Emotion-aware recommender systems: Recent advances and future directions. Information Processing & Management. 2023. Vol. 60, No. 2. P. 102115. URL: https://doi.org/10.1016/j.ipm.2022.102115
Sun J., Wang Z., Liu C., et al. Multi-modal emotion-aware recommender system with contrastive learning. Knowledge-Based Systems. 2023. Vol. 274. P. 110714. URL: https://doi.org/10.1016/j.knosys.2023.110714
Vaswani A., Shazeer N., Parmar N., et al. Attention is all you need. Advances in Neural Information Processing Systems (NeurIPS). 2017. Vol. 30. URL: https://proceedings.neurips.cc/paper/2017/hash/3f5ee243547dee91fbd053c1c4a845aa-Abstract.html
Wu L., Sun P., Hong R., et al. Graph neural networks in recommender systems: A survey. ACM Computing Surveys. 2022. Vol. 55, No. 5. P. 1–37. URL: https://doi.org/10.1145/3514226
Ying R., He R., Chen K., Eksombatchai P., Hamilton W., Leskovec J. Graph convolutional neural networks for web-scale recommender systems. Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. 2018. P. 974–983. URL: https://doi.org/10.1145/3219819.3219890
Zhang S., Yao L., Sun A., Tay Y. Deep learning based recommender system: A survey and new perspectives. ACM Computing Surveys. 2019. Vol. 52, No. 1. P. 1–38. URL: https://doi.org/10.1145/3285029
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
