УДК 004.8:338.2
DOI: 10.36871/k.i.n.2026.02.01.014

Авторы

Даниил Андреевич Вдовиченко,
Виталий Алексеевич Пелешенко,
ВШКМиС, РЭУ им. Г. В. Плеханова, Москва, Россия

Аннотация

В работе рассматривается метод ансамблирования моделей рекомендаций, а также анализируется его роль в контексте развития цифровой экономики, характеризующейся экспоненциальным ростом объёмов данных и ужесточением требований к персонализации сервисов. Произведена систематизация основных типов рекомендательных систем (контентные, коллаборативные, гибридные), выявлены их достоинства и принципиальные ограничения, среди которых — проблема «холодного старта», разреженность данных и недостаточная точность прогнозирования в условиях отсутствия поведенческих паттернов. Обосновывается, что применение ансамблирования, основанного на комбинировании разнородных моделей с весовой или равнозначной агрегацией их прогнозов, позволяет частично компенсировать индивидуальные недостатки каждого из алгоритмов и повысить обобщающую способность рекомендательной системы. На основе экспериментального исследования с использованием открытого набора данных MovieLens 100k продемонстрировано, что даже простейшие стратегии ансамблирования (простое и взвешенное усреднение) обеспечивают снижение среднеквадратичной ошибки (RMSE) по сравнению с изолированным применением коллаборативной и контентной моделей. При этом подчёркивается, что ансамблирование не является панацеей и само сопряжено с рядом ограничений (вычислительная сложность, необходимость валидационной настройки гиперпараметров, чувствительность к распределению весов), которые также обсуждаются в работе.

Ключевые слова

рекомендательные системы, ансамблирование моделей, персонализация, большие данные, цифровая экономика, проблема «холодного старта», коллаборативная фильтрация, контентная фильтрация.

Список литературы

  1. Covington P., Adams J., Sargin E. Deep Neural Networks for YouTube Recommendations // Proceedings of the 10th ACM Conference on Recommender Systems. — ACM, 2016. — С. 191–198. (Дата обращения: 28.10.2025).
  2. Dietterich T.G. Ensemble Methods in Machine Learning // Lecture Notes in Computer Science. — Berlin: Springer, 2000. — № 1857. — С. 1–15. (Дата обращения: 28.10.2025).
  3. He X., Liao L., Zhang H., et al. Neural Collaborative Filtering // Proceedings of the 26th International Conference on World Wide Web. — Geneva: IW3C2, 2017. — С. 173–182. (Дата обращения: 28.10.2025).
  4. Koren Y., Bell R., Volinsky C. Matrix Factorization Techniques for Recommender Systems // Computer. — 2009. — Vol. 42, № 8. — P. 30–37.
  5. Rendle S. Factorization Machines // Proceedings of the 2010 IEEE International Conference on Data Mining. — IEEE, 2010. — P. 995–1000.
  6. Zhou Z.-H. Ensemble Methods: Foundations and Algorithms. — Boca Raton: CRC Press, 2012. — 368 с. (Дата обращения: 28.10.2025).