Шевченко, МаксимМаксимШевченко2026-03-132026-03-132025-11-17Shevchenko, 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.2025.1.07UDC 004.810.17721/AIT.2025.1.07https://ir.library.knu.ua/handle/15071834/12519Background. With the rapid growth of digital content, recommender systems are becoming a key tool for providing personalized offers. They contribute to the discovery of new movies, music, and products, maintaining user interest in using platforms. The relevance of researching recommender system algorithms is due to the need to improve their work to satisfy individual user preferences. This paper presents a review and analytical study of recommender system algorithms. The purpose of this paper is to systematize, classify, and critically analyze two main approaches in recommender systems: content-based filtering and collaborative filtering. Methods. A review of existing recommender system methods, a comparative and analytical assessment. Results. The work analyzes recommender system algorithms. A formal definition of the recommendation problem is given, where user preferences are modeled as a functional dependence on object properties. Within the framework of content-based filtering, the use of classification algorithms, such as a Naive Bayes classifier and decision trees, as well as the Rocchio algorithm, which uses relevant feedback to update the user profile, is considered. The strengths and weaknesses of different similarity measures between vectors are analyzed. In collaborative filtering, the memory-based approach (user-based and item-based methods) and model-based techniques with an emphasis on the k-NN algorithm are investigated. To overcome the shortcomings of individual methods, a hybrid approach is proposed that combines their advantages. Methods for integrating systems into a hybrid model are presented, which allows improving the accuracy of recommendations. Conclusions. The results of the work highlight the features of the specified filtering methods, demonstrate the impact of the implementation of algorithms and input data on the accuracy of recommendations and response time. The analysis of shortcomings emphasizes the importance of the combined use of filtering algorithms to improve the efficiency of recommendation systems, which makes the hybrid approach a promising direction for further research and implementation.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.encollaborative filteringcontent-based filteringhybrid filteringrecommender systemsRocchio algorithmvector space model.алгоритм Роккіовекторна модельгібридна фільтраціяколаборативна фільтраціяконтентна фільтраціярекомендаційні системи.Стаття