ДИНАМІЧНА АДАПТАЦІЯ ПРОФІЛЮ КОРИСТУВАЧА В РЕКОМЕНДАЦІЙНІЙ СИСТЕМІ НА ОСНОВІ АНАЛІЗУ ІНФОРМАЦІЇ ПРО ЙОГО ПОВЕДІНКУ

Анотація

Зростання обсягів цифрового контенту та ускладнення поведінкових сценаріїв користувачів підвищують вимоги до точності й адаптивності сучасних рекомендаційних систем. У цих умовах особливого значення набувають методи динамічного оновлення профілю користувача, здатні забезпечити актуальність персоналізації в умовах змін інтересів, впливу контексту та нерівномірного характеру взаємодії з інформаційними сервісами. Проблема полягає у необхідності забезпечення адаптації таких систем до змін інтересів користувача в умовах динамічного середовища, де короткострокові вподобання швидко змінюються, а довгострокові зберігають інерційність, що ускладнює підтримання високої точності персоналізації. Метою дослідження є розробка математичної моделі та архітектурного рішення для динамічної адаптації профілю користувача, які дозволяють ефективно поєднувати аналіз довгострокових та короткострокових інтересів з урахуванням контекстуальних факторів для підвищення точності персоналізації в рекомендаційних системах. Робота спрямована на подолання таких недоліків існуючих систем, як висока чутливість до випадкового «шуму» в діях користувачів, складність інтерпретації оновлень та нездатність своєчасно реагувати на згладжування змін у поведінкових моделях. В роботі використовується механізм динамічного керування балансом між короткостроковими (STI) та довгостроковими (LTI) інтересами за допомогою адаптивного коефіцієнта, що дозволяє системі автоматично перемикатися на актуальні потреби користувача при різкій зміні поведінки або спиратися на стійкі звички при стабільній взаємодії. Розроблено метод інтеграції контекстних чинників у процес оновлення профілю користувача, що забезпечує можливість підсилювати або послаблювати значущість подій залежно від зовнішніх умов (час, пристрій, місцеперебування), перетворюючи профіль на контекстно-чутливу структуру. Технологічний підхід базується на архітектурі конвеєрної обробки даних для потокового аналізу подій у режимі реального часу. Експериментальна валідація запропонованих рішень проведена шляхом тестування на датасеті MovieLens із порівняльним аналізом точності рекомендацій динамічних моделей відносно статичних. Характерною відмінністю запропонованого підходу є інтеграція контекстуальних параметрів у процес оновлення профілю, що перетворює його на контекстно-чутливу структуру, здатну адаптуватися до умов взаємодії. Технічні випробування довели спроможність рекомендаційної системи стабільно працювати в умовах інтенсивного потоку даних, забезпечуючи швидке оновлення знань системи про людину без втрати загальної продуктивності. Практичне застосування можливе в рекомендаційних системах, що функціонують у режимі реального часу та працюють з інтенсивними потоками даних, зокрема в медіасервісах, електронній комерції та інформаційних платформах, за умови наявності засобів збору подій користувача та інфраструктури потокової обробки.