СИСТЕМНИЙ ПІДХІД ДО БАГАТОКРИТЕРІАЛЬНОГО ОЦІНЮВАННЯ СЕАНСОВИХ І ПОСЛІДОВНИХ РЕКОМЕНДАЦІЙНИХ СИСТЕМ

Надія Недашківська; Дмитро Андросов

doi:10.20535/kpisn.2025.4.343329

Т. 141 · № 4 · 2025 гру 29, 2025 статті

СИСТЕМНИЙ ПІДХІД ДО БАГАТОКРИТЕРІАЛЬНОГО ОЦІНЮВАННЯ СЕАНСОВИХ І ПОСЛІДОВНИХ РЕКОМЕНДАЦІЙНИХ СИСТЕМ

НН

Надія Недашківська Відповідальний Educational and Research Institute for Applied System Analysis of the National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute", Kyiv, Ukraine, Department of mathematical methods of system analysis, Ukraine Україна

ДА

Дмитро Андросов Educational and Research Institute for Applied System Analysis of the National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute", Kyiv, , Ukraine Україна

Опублікованогру 29, 2025

PDF

НВКПІ 4 ТОМ 141 · 4

ТОМ 141 · № 4 · 2025 Переглянути випуск

Анотація

Проблематика . Рекомендаційні системи стали незамінними компонентами сучасних цифрових платформ, забезпечуючи персоналізацію контенту в різних сферах. Традиційна колаборативна фільтрація та підходи на основі вмісту часто не в змозі охопити часову динаміку та контекстні залежності властиві моделям поведінки користувачів. Системи послідовних рекомендацій (sequential recommendation systems, SRSs) і системи рекомендацій на основі сеансів (session-based recommendation systems, SBRSs) з’явилися як нові парадигми для охоплення короткострокових динамічних уподобань користувачів для надання більш своєчасних і точних рекомендацій. Мета дослідження . Запропонувати системний підхід до багатокритеріального оцінювання різних моделей SRS і SBRS – уніфіковану структуру для розуміння цих моделей, вибору найкращої моделі та спрямування майбутніх напрямків досліджень у системах рекомендацій з урахуванням часу. Виконати систематичний огляд і всебічний аналіз сеансових і послідовних систем рекомендацій, їх теоретичних основ, еволюції, емпіричних характеристик продуктивності та аспектів практичного розгортання. М етоди ка реалізації . Проведено аналіз фундаментальних підходів від моделей ланцюгів Маркова до сучасних нейронних архітектур, включаючи методи на основі уваги, графові нейронні мережі і моделі простору станів. Систематично класифіковано підходи, базуючись на архітектурних принципах, стратегіях часового моделювання та методах інтеграції знань. Метод аналізу ієрархій застосовано для розрахунку відносних важливостей доходів, витрат, можливостей і ризиків в задачі синтезу сеансових і послідовних систем рекомендацій. Проведено експериментальне дослідження різних моделей SRS і SBRS на контрольних наборах даних. Результати дослідження. Емпіричні дослідження на еталонних для часового моделювання наборах даних показали, що поєднання SASRec та ReCODE покращило значення метрики Recall@ K на 9% порівняно з базовою моделлю SASRec, а поєднання GRU4Rec з ReCODE покращило цю метрику на 17% порівняно з базовою GRU4Rec. Модель SASRec, яка адаптує архітектуру трансформера до задачі надання послідовних рекомендацій, досягла найвищої базової продуктивності за критеріями Recall@ K і NDCG@ K на еталонних наборах даних порівняно з іншими розглянутими моделями, демонструючи ефективність механізмів самоуваги для моделювання послідовностей. Незалежна від моделі структура ReCODE нейронних звичайних диференціальних рівнянь для рекомендаційних систем – ефективна основа для вивчення динаміки споживчого попиту, покращила метрики існуючих базових підходів та має прийнятну обчислювальну складність для практичних сценаріїв розгортання рекомендаційних систем. Висновки. Рекомендаційні системи на основі сеансів і послідовностей еволюціонували через зміну кількох парадигм із значними науковими досягненнями, включаючи становлення рекомендаційних моделей на основі сеансів відмінних від традиційної колаборативної фільтрації, розробку механізмів уваги для моделювання послідовностей та впровадження моделей неперервного часу. Майбутні напрямки досліджень включають уніфіковані архітектури, рішення для масштабування, вдосконалені методології оцінювання та розширення для сценаріїв з багатьма зацікавленими сторонами.

Ключові слова

#прийняття рішень #послідовна рекомендація #сеансова рекомендація #часове моделювання #механізми уваги #графові нейронні мережі #моделі простору станів #глибоке навчання #системний аналіз

Посилання

F. Ricci, L. Rokach, and B. Shapira, "Introduction to recommender systems handbook," in Recommender Systems Handbook, New York, NY, USA: Springer, 2011, pp. 1-35. Retrieved from doi: 10.1007/978-0-387-85820-3_1.
J. Lu, D. Wu, M. Mao, W. Wang, and G. Zhang, "Recommender system application developments: a survey," Decision Support Systems, vol. 74, pp. 12-32, 2015. Retrieved from doi: 10.1016/j.dss.2015.03.008.
S. Zhang, L. Yao, A. Sun, and Y. Tay, "Deep learning based recommender system: A survey and new perspectives," ACM Computing Surveys, vol. 52, no. 1, pp. 1-38, 2019. Retrieved from doi: 10.1145/3285029.
Y. Koren, "Collaborative filtering with temporal dynamics," in Proc. 15th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, Paris, France, 2009, pp. 447-456. Retrieved from doi: 10.1145/1557019.1557072.
Y. Ding and X. Li, "Time weight collaborative filtering," in Proc. 14th ACM International Conference on Information and Knowledge Management, Bremen, Germany, 2005, pp. 485-492. Retrieved from doi: 10.1145/1099554.1099689.
S. Rendle, C. Freudenthaler, and L. Schmidt-Thieme, "Factorizing personalized markov chains for next-basket recommendation," in Proc. 19th International Conference on World Wide Web, Raleigh, NC, USA, 2010, pp. 811-820. Retrieved from doi: 10.1145/1772690.1772773.
R. He and J. McAuley, "Fusing similarity models with markov chains for sparse sequential recommendation," in Proc. IEEE 16th International Conference on Data Mining, Barcelona, Spain, 2016, pp. 191-200. Retrieved from doi: 10.1109/ICDM.2016.0030.
S. Wang, Q. Zhang, L. Hu, X. Zhang, Y. Wang, and C. Aggarwal, "Sequential/session-based recommendations: Challenges, approaches, applications and opportunities," in Proc. 45th International ACM SIGIR Conference on Research and Development in Information Retrieval, Madrid, Spain, 2022, pp. 3425-3428. Retrieved from doi: 10.1145/3477495.3532685.
S. Wang, L. Cao, Y. Wang, Q. Z. Sheng, M. A. Orgun, and D. Lian, "A survey on session-based recommender systems," ACM Computing Surveys, vol. 54, no. 7, pp. 1-38, 2022. Retrieved from doi: 10.1145/3465401.
A. Zimdars, D. M. Chickering, and C. Meek, "Using temporal data for making recommendations," in Proc. 17th Conference on Uncertainty in Artificial Intelligence, Seattle, WA, USA, 2001, pp. 580-588.
B. Hidasi, A. Karatzoglou, L. Baltrunas, and D. Tikk, "Session-based recommendations with recurrent neural networks," in Proc. 4th International Conference on Learning Representations, San Juan, Puerto Rico, 2016. Retrieved from arXiv: 1511.06939.
W.C. Kang and J. McAuley, "Self-attentive sequential recommendation," in Proc. IEEE International Conference on Data Mining, Singapore, 2018, pp. 197-206. Retrieved from doi: 10.1109/ICDM.2018.00035.
F. Sun, J. Liu, J. Wu, C. Pei, X. Lin, W. Ou, and P. Jiang, "BERT4Rec: Sequential recommendation with bidirectional encoder representations from transformer," in Proc. 28th ACM International Conference on Information and Knowledge Management, Beijing, China, 2019, pp. 1441-1450. Retrieved from doi: 10.1145/3357384.3357895.
S. Wu, Y. Tang, Y. Zhu, L. Wang, X. Xie, and T. Tan, "Session-based recommendation with graph neural networks," in Proc. AAAI Conference on Artificial Intelligence, Honolulu, HI, USA, 2019, vol. 33, pp. 346-353. Retrieved from doi: 10.1609/aaai.v33i01.3301346.
X. Wang, X. He, Y. Cao, M. Liu, and T. S. Chua, "KGAT: Knowledge graph attention network for recommendation," in Proc. 25th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, Anchorage, AK, USA, 2019, pp. 950-958. Retrieved from doi: 10.1145/3292500.3330989.
R. T. Q. Chen, Y. Rubanova, J. Bettencourt, and D. Duvenaud, "Neural ordinary differential equations," in Advances in Neural Information Processing Systems 31, Montréal, Canada, 2018, pp. 6571-6583. Retrieved from arXiv: 1806.07366.
S. Dai, C. Qu, S. Chen, X. Zhang, and J. Xu, "ReCODE: Modeling repeat consumption with neural ODE," in Proc. 47th International ACM SIGIR Conference on Research and Development in Information Retrieval, Washington, DC, USA, 2024, pp. 1742-1752. Retrieved from doi: 10.1145/3626772.3657936.
M. Ludewig and D. Jannach, "Are we really making much progress? A worrying analysis of recent neural recommendation approaches," in Proc. 12th ACM Conference on Recommender Systems, Vancouver, BC, Canada, 2018, pp. 101-109. Retrieved from doi: 10.1145/3298689.3347058.
N.I. Nedashkovskaya, "Method for weights calculation based on interval multiplicative pairwise comparison matrix in decision-making models," Radio Electronics, Computer Science, Control, no. 3, pp. 155-167, 2022. Retrieved from doi: 10.15588/1607-3274-2022-3-15.
N.I. Nedashkovskaya, "Investigation of methods for improving consistency of a pairwise comparison matrix," Journal of the Operational Research Society, vol.69, no.12, pp. 1947-1956, 2018. Retrieved from doi: 10.1080/01605682.2017.1415640.
Music Technology Group, "LastFM Music Recommendation Dataset," Zenodo Repository, 2022. Retrieved from doi: 10.5281/zenodo.6090214
University of Innsbruck, "#nowplaying Dataset," Zenodo Repository, 2020. Available: https://zenodo.org/records/2594483 .

Попередня у випуску МОДЕЛЬ ГЛИБОКОГО НАВЧАННЯ ДЛЯ КЛАСИФІКАЦІЇ МЕЛАНОМИ, ПОКРАЩЕНА ЗА ДОПОМОГОЮ ФРАКТАЛЬНОЇ РОЗМІРНОСТІ Наступна у випуску АРХІТЕКТУРА ГІБРИДНОГО CNN–TRANSFORMER З МАСКОВАНИМ АВТОКОДУВАННЯМ ЧАСОВИХ РЯДІВ ДЛЯ ПОВЕДІНКОВОЇ БІОМЕТРІЇ НА МОБІЛЬНИХ ПРИСТРОЯХ

§ 06 — Пов'язані

Схожі статті в цьому журналі

Пов'язані рецензовані дослідження, опубліковані в цьому журналі.

Усі випуски

РОЗРОБКА МЕТОДУ ФОРМАЛІЗАЦІЇ ДИНАМІЧНИХ ТЕПЛОВИХ ПОРТРЕТІВ ДЛЯ НАДІЙНОГО ВИЯВЛЕННЯ ЦІЛЕЙ

Степан Лис, Оксана Оборська

Проблематика. Автоматизовані системи спостереження з БпЛА стикаються з подвійним викликом: виявленням теплоконтрастних об'єктів у реальному часі та їх ідентифікацією в…

#тепловізійні системи #ідентифікація цілей #локалізація зони інтересу #динамічний тепловий портрет

10.20535/kpisn.2026.3.359114

МЕТОДИКА ФОРМУВАННЯ ІНФОРМАТИВНОГО ПРОСТОРУ ОЗНАК ТЕХНІЧНИХ ІНДИКАТОРІВ ФІНАНСОВИХ ПРОЦЕСІВ НА ОСНОВІ НЕЙРОМЕРЕЖЕВИХ МОДЕЛЕЙ

Роман Тертичний, Денис Чупрін, Петро Бідюк

Проблематика. Фінансові часові ряди характеризуються нелінійністю, нестаціонарністю та високим рівнем шуму, що суттєво ускладнює їх моделювання та прогнозування.…

#методика формування інформативного простору ознак #технічні індикатори #волатильність Паркінсона #нейронні мережі

10.20535/kpisn.2026.3.359610

МЕТОДИ ЗАБЕЗПЕЧЕННЯ ЦІЛІСНОСТІ ОБРОБКИ ТА ПЕРЕДАЧІ ДАНИХ У ПРОМИСЛОВИХ СИСТЕМАХ АВТОМАТИЗАЦІЇ

Ярослав Корпань, Євген Федоров, Ольга Нечипоренко

Проблематика. Сучасні промислові системи контролю характеризуються високим рівнем інтеграції інформаційних і фізичних процесів та використанням розподілених…

#промислові системи автоматизації #SCADA-системи #цілісність даних #кібербезпека ICS

10.20535/kpisn.2026.3.361520

Статті цього автора (цих авторів), які найбільше читають

Костянтин Грішин, Надія Недашківська, МОДЕЛЬ МАШИННОГО НАВЧАННЯ ДЛЯ РОЗПІЗНАВАННЯ КОНФІГУРАЦІЙ РУК УКРАЇНСЬКОЇ ЖЕСТОВОЇ МОВИ , Наукові вісті КПІ: Том 143 № 2 (2026)
Олександр Гончарук, Надія Недашківська, ДВОЕТАПНИЙ ПІДХІД ДО СЕГМЕНТАЦІЇ СУПУТНИКОВИХ ЗНІМКІВ ДЛЯ ОЦІНЮВАННЯ ПЛОЩІ АСФАЛЬТОВАНОГО ПОКРИТТЯ ПАРКОВОК , Наукові вісті КПІ: Том 144 № 3 (2026)

Схожі статті

Костянтин Д. Грішин, Nadezhda Nedashkovskaya, МОДЕЛЬ МАШИННОГО НАВЧАННЯ ДЛЯ РОЗПІЗНАВАННЯ КОНФІГУРАЦІЙ РУК УКРАЇНСЬКОЇ ЖЕСТОВОЇ МОВИ , Наукові вісті КПІ: Том 143 № 2 (2026)
Костянтин Бровко, Павло Буданов, Олег Великогорський, Юлія Олійник, Наталія Винокурова, Сергій Войтенко, ІМІТАЦІЙНА МОДЕЛЬ ЦИФРОВОГО ДВІЙНИКА ТЕХНОЛОГІЧНОГО ПРОЦЕСУ ЕНЕРГОБЛОКУ АЕС , Наукові вісті КПІ: Том 143 № 2 (2026)
Дмитро Петренко, Анатолій Протасов, АЛГОРИТМ БЕЗКАРТОГРАФІЧНОЇ НАВІГАЦІЇ РОБОТА HUSKY НА ОСНОВІ МОДЕЛЕЙ ГЛИБОКОГО НАВЧАННЯ З ПІДКРІПЛЕННЯМ ТА АДАПТИВНОГО НАВЧАЛЬНОГО ПЛАНУ , Наукові вісті КПІ: Том 143 № 2 (2026)
Павло Кость, Лариса Гліненко, МЕТОДИКА ВИБОРУ СТРУКТУРИ ПЕРЕДАВАЛЬНОГО ТРАКТУ ДЛЯ ТЕРМОЯДЕРНИХ УСТАНОВОК , Наукові вісті КПІ: Том 143 № 2 (2026)
Віталій Голубінка, АВТОНОМНА СИСТЕМА РЕКОМЕНДАЦІЇ ІНДЕКСІВ ДЛЯ РЕЛЯЦІЙНИХ БАЗ ДАНИХ НА ОСНОВІ COST-MODEL ТА PLAN COVERING , Наукові вісті КПІ: Том 143 № 2 (2026)
Євген Панкратов, Григорій Тимчик, МІКРОСЕРВІСНА АРХІТЕКТУРА ТА АЛГОРИТМИ МОДУЛЬНОЇ СИСТЕМИ АВТОМАТИЗАЦІЇ ТЕХНОЛОГІЧНИХ ПРОЦЕСІВ МАЛОГО БІЗНЕСУ , Наукові вісті КПІ: Том 143 № 2 (2026)
Роман Тертичний, Денис Чупрін, Петро Бідюк, МЕТОДИКА ФОРМУВАННЯ ІНФОРМАТИВНОГО ПРОСТОРУ ОЗНАК ТЕХНІЧНИХ ІНДИКАТОРІВ ФІНАНСОВИХ ПРОЦЕСІВ НА ОСНОВІ НЕЙРОМЕРЕЖЕВИХ МОДЕЛЕЙ , Наукові вісті КПІ: Том 144 № 3 (2026)
Yevhen I. Bilous, Oleh I. Nesterenko, СПРОЩЕННЯ МОДЕЛІ ВИМІРЮВАННЯ В АЛГОРИТМІ КВАТЕРНІОННОГО ФІЛЬТРА КАЛМАНА БЕЗПЛАТФОРМНОЇ КУРСОВЕРТИКАЛІ , Наукові вісті КПІ: № 1 (2019)
Valentyn V. Tsapenko, Mykola F. Tereshchenko, Grygorii S. Tymchik, МОДЕЛІ ОЦІНЮВАННЯ БІОМЕХАНІЧНИХ ПАРАМЕТРІВ НИЖНІХ КІНЦІВОК У ДІТЕЙ , Наукові вісті КПІ: № 1 (2019)
Ivan I. Puhoviy, ЕКСПЕРИМЕНТАЛЬНЕ ВИГОТОВЛЕННЯ І МОДЕЛЮВАННЯ УТВОРЕННЯ ОРЕБРЕНИХ ЛЬОДЯНИХ ТРУБ МЕТОДОМ НАМОРОЖУВАННЯ У ФОРМІ З ДИСКРЕТНОЮ ТЕПЛОІЗОЛЯЦІЄЮ , Наукові вісті КПІ: № 2 (2019)

1-10 з 49 Наступне

Ви також можете розпочати розширений пошук схожих статей для цієї статті.

[1] F. Ricci, L. Rokach, and B. Shapira, "Introduction to recommender systems handbook," in Recommender Systems Handbook, New York, NY, USA: Springer, 2011, pp. 1-35. Retrieved from doi: 10.1007/978-0-387-85820-3_1.

[2] J. Lu, D. Wu, M. Mao, W. Wang, and G. Zhang, "Recommender system application developments: a survey," Decision Support Systems, vol. 74, pp. 12-32, 2015. Retrieved from doi: 10.1016/j.dss.2015.03.008.

[3] S. Zhang, L. Yao, A. Sun, and Y. Tay, "Deep learning based recommender system: A survey and new perspectives," ACM Computing Surveys, vol. 52, no. 1, pp. 1-38, 2019. Retrieved from doi: 10.1145/3285029.

[4] Y. Koren, "Collaborative filtering with temporal dynamics," in Proc. 15th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, Paris, France, 2009, pp. 447-456. Retrieved from doi: 10.1145/1557019.1557072.

[5] Y. Ding and X. Li, "Time weight collaborative filtering," in Proc. 14th ACM International Conference on Information and Knowledge Management, Bremen, Germany, 2005, pp. 485-492. Retrieved from doi: 10.1145/1099554.1099689.

[6] S. Rendle, C. Freudenthaler, and L. Schmidt-Thieme, "Factorizing personalized markov chains for next-basket recommendation," in Proc. 19th International Conference on World Wide Web, Raleigh, NC, USA, 2010, pp. 811-820. Retrieved from doi: 10.1145/1772690.1772773.

[7] R. He and J. McAuley, "Fusing similarity models with markov chains for sparse sequential recommendation," in Proc. IEEE 16th International Conference on Data Mining, Barcelona, Spain, 2016, pp. 191-200. Retrieved from doi: 10.1109/ICDM.2016.0030.

[8] S. Wang, Q. Zhang, L. Hu, X. Zhang, Y. Wang, and C. Aggarwal, "Sequential/session-based recommendations: Challenges, approaches, applications and opportunities," in Proc. 45th International ACM SIGIR Conference on Research and Development in Information Retrieval, Madrid, Spain, 2022, pp. 3425-3428. Retrieved from doi: 10.1145/3477495.3532685.

[9] S. Wang, L. Cao, Y. Wang, Q. Z. Sheng, M. A. Orgun, and D. Lian, "A survey on session-based recommender systems," ACM Computing Surveys, vol. 54, no. 7, pp. 1-38, 2022. Retrieved from doi: 10.1145/3465401.

[10] A. Zimdars, D. M. Chickering, and C. Meek, "Using temporal data for making recommendations," in Proc. 17th Conference on Uncertainty in Artificial Intelligence, Seattle, WA, USA, 2001, pp. 580-588.

[11] B. Hidasi, A. Karatzoglou, L. Baltrunas, and D. Tikk, "Session-based recommendations with recurrent neural networks," in Proc. 4th International Conference on Learning Representations, San Juan, Puerto Rico, 2016. Retrieved from arXiv: 1511.06939.

[12] W.C. Kang and J. McAuley, "Self-attentive sequential recommendation," in Proc. IEEE International Conference on Data Mining, Singapore, 2018, pp. 197-206. Retrieved from doi: 10.1109/ICDM.2018.00035.

[13] F. Sun, J. Liu, J. Wu, C. Pei, X. Lin, W. Ou, and P. Jiang, "BERT4Rec: Sequential recommendation with bidirectional encoder representations from transformer," in Proc. 28th ACM International Conference on Information and Knowledge Management, Beijing, China, 2019, pp. 1441-1450. Retrieved from doi: 10.1145/3357384.3357895.

[14] S. Wu, Y. Tang, Y. Zhu, L. Wang, X. Xie, and T. Tan, "Session-based recommendation with graph neural networks," in Proc. AAAI Conference on Artificial Intelligence, Honolulu, HI, USA, 2019, vol. 33, pp. 346-353. Retrieved from doi: 10.1609/aaai.v33i01.3301346.

[15] X. Wang, X. He, Y. Cao, M. Liu, and T. S. Chua, "KGAT: Knowledge graph attention network for recommendation," in Proc. 25th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, Anchorage, AK, USA, 2019, pp. 950-958. Retrieved from doi: 10.1145/3292500.3330989.

[16] R. T. Q. Chen, Y. Rubanova, J. Bettencourt, and D. Duvenaud, "Neural ordinary differential equations," in Advances in Neural Information Processing Systems 31, Montréal, Canada, 2018, pp. 6571-6583. Retrieved from arXiv: 1806.07366.

[17] S. Dai, C. Qu, S. Chen, X. Zhang, and J. Xu, "ReCODE: Modeling repeat consumption with neural ODE," in Proc. 47th International ACM SIGIR Conference on Research and Development in Information Retrieval, Washington, DC, USA, 2024, pp. 1742-1752. Retrieved from doi: 10.1145/3626772.3657936.

[18] M. Ludewig and D. Jannach, "Are we really making much progress? A worrying analysis of recent neural recommendation approaches," in Proc. 12th ACM Conference on Recommender Systems, Vancouver, BC, Canada, 2018, pp. 101-109. Retrieved from doi: 10.1145/3298689.3347058.

[19] N.I. Nedashkovskaya, "Method for weights calculation based on interval multiplicative pairwise comparison matrix in decision-making models," Radio Electronics, Computer Science, Control, no. 3, pp. 155-167, 2022. Retrieved from doi: 10.15588/1607-3274-2022-3-15.

[20] N.I. Nedashkovskaya, "Investigation of methods for improving consistency of a pairwise comparison matrix," Journal of the Operational Research Society, vol.69, no.12, pp. 1947-1956, 2018. Retrieved from doi: 10.1080/01605682.2017.1415640.

[21] Music Technology Group, "LastFM Music Recommendation Dataset," Zenodo Repository, 2022. Retrieved from doi: 10.5281/zenodo.6090214

[22] University of Innsbruck, "#nowplaying Dataset," Zenodo Repository, 2020. Available: https://zenodo.org/records/2594483 .