Реєстраційний номер
2125U011689, Матеріали видань та локальних репозитаріїв
Категорія
Стаття
Назва роботи
Analysis of the impact of cross-platform behaviour on recommendation quality
Аналіз впливу кросплатформної поведінки на якість рекомендацій
Автор
Pakula A.
Garmash V. V.
Пакула А.
Гармаш В. В.
Pakula A.
Garmash V. V.
Дата публікації
01-01-2025
Постачальник інформації
Вінницький національний технічний університет
Першоджерело
https://ir.lib.vntu.edu.ua/handle/123456789/47618
Видання
Вінницький національний технічний університет
Опис
Швидке зростання кількості цифрових платформ та різноманітність онлайн-сервісів створюють нові виклики для розробки рекомендаційних систем, які мають враховувати кросплатформну поведінку користувачів для забезпечення точності та конфіденційності рекомендацій. Метою статті стало визначення того, яким чином об’єднання даних про кросплатформну поведінку може підвищити точність рекомендаційних систем. Для цього було проведено аналіз сучасних алгоритмів машинного навчання та методів обробки великих даних, що дозволяє ефективно інтегрувати інформацію з різних джерел. У дослідженні використано алгоритми кластеризації та нейронних мереж, що дозволило виявити шаблони поведінки користувачів у кросплатформенних середовищах. Отримані результати свідчать, що інтеграція кросплатформних даних покращує точність персоналізованих рекомендацій на 15-30 %, що перевищує показники традиційних, одноплатформенних підходів. Крім того, з’ясовано, що аналіз соціальних взаємодій та мережевих ефектів може значно підвищити ефективність рекомендаційних систем у кросплатформному середовищі, оскільки враховує додаткові аспекти взаємодії користувачів. Стаття також звертає увагу на аспекти конфіденційності, пропонуючи огляд сучасних підходів до захисту особистих даних, які зберігають високу якість рекомендацій. У рамках експериментальної частини дослідження було розроблено та впроваджено прототип кросплатформної рекомендаційної системи, що інтегрує дані з трьох популярних онлайн-платформ. Тестування системи на реальних даних показало підвищення точності персоналізованих рекомендацій в середньому на 27 % та зниження кількості нерелевантних пропозицій на 35 % порівняно з традиційними одноплатформними підходами. Крім того, впровадження розробленої системи захисту конфіденційності на основі диференційної приватності дозволило зберегти високу якість рекомендацій при забезпеченні належного рівня захисту персональних даних користувачів. Практична цінність дослідження полягає у застосуванні кросплатформного підходу для підвищення конкурентоспроможності рекомендаційних систем у різноманітних цифрових екосистемах.
Додано/оновлено в НРАТ
2026-11-02
