Аналітичний огляд контентної та колаборативної фільтрацій у рекомендаційних система

Shevchenko, M. (2025). An analytical review of content-based and collaborative filtering in recommender systems. Advanced Information Technology, (1), 54–66. https://doi.org/10.17721/AIT.2025.1.07

Вступ. За стрімкого зростання обсягу цифрового контенту рекомендаційні системи стають ключовим інструментом для надання персоналізованих пропозицій. Вони сприяють відкриттю нових фільмів, музики та товарів, підтримуючи зацікавленість користувачів у використанні платформ. Актуальність дослідження алгоритмів рекомендаційних систем зумовлена необхідністю вдосконалення їхньої роботи для задоволення індивідуальних уподобань користувачів. Ця робота являє собою огляд та аналітичне дослідження алгоритмів рекомендаційних систем. Метою цієї роботи є систематизація, класифікація та критичний аналіз двох основних підходів у рекомендаційних системах: фільтрації на основі вмісту (контентної) та колаборативної фільтрації.
Методи. Огляд існуючих методів рекомендаційних систем, порівняльне й аналітичне дослідження.
Результати. Проаналізовано алгоритми рекомендаційних систем. Дано формальне визначення задачі рекомендацій, де вподобання користувачів моделюються як функціональна залежність від властивостей об’єктів. У межах фільтрації на основі вмісту розглянуто використання класифікаційних алгоритмів, таких як наївний баєсів класифікатор, і дерев рішень, а також алгоритму Роккіо, який застосовує релевантний зворотний зв’язок для оновлення профілю користувача. Проведено аналіз сильних і слабких сторін різних мір подібності між векторами. У колаборативній фільтрації досліджено memory-based підхід (user-based та item-based методи) і model-based техніки з акцентом на алгоритмі k-NN. Для подолання недоліків окремих методів запропоновано гібридний підхід, який об’єднує їхні переваги. Представлено способи інтеграції систем у гібридну модель, що дає змогу покращити точність рекомендацій.
Висновки. Результати роботи виокремлюють особливості зазначених методів фільтрації, демонструють вплив реалізації алгоритмів і вхідних даних на точність рекомендацій і час відповіді. Аналіз недоліків підкреслює значення комбінованого використання алгоритмів фільтрації для підвищення ефективності рекомендаційних систем, що робить гібридний підхід перспективним напрямом для подальших досліджень і впровадження.