УДК 004.089
DOI: 10.36871/2618-9976.2025.12–3.009

Авторы

Александр Сергеевич Сорокин,
Доктор экономических наук, доцент кафедры математических методов в экономике, Российский экономический университет имени Г. В. Плеханова
Денис Алексеевич Платонов,
Генеральный директор ООО «Эксайт Кит», исполнительный директор аналитической платформы UX Rocket
Владислав Сергеевич Дьяконов,
Руководитель отдела разработки AI/ML-функций платформы UX Rocket ООО «Эксайт Кит»
Даниил Александрович Караванов,
Разработчик AI/ML-функций платформы UX Rocket ООО «Эксайт Кит»
Виктория Александровна Блем,
Студент 4 курса, направление «Аналитическая экономика и эконометрика», Российский экономический университет имени Г. В. Плеханова

Аннотация

В статье рассматривается методика разработки и результат экспериментального внедрения продуктовой рекомендательной системы на базе глубокой нейронной архитектуры трансформер с механизмом самовнимания (self-attention) и интеграцией дополнительных признаков пользователя и товара. Проведен подробный обзор эволюции методов построения рекомендательных систем — от классических подходов коллаборативной и контентной фильтрации до современных гибридных и последовательных моделей, способных учитывать динамику пользовательских интересов во времени. В качестве базовой архитектуры используется модифицированный трансформер, формирующий прогноз следующего взаимодействия пользователя с учетом последовательности прошлых действий, типа взаимодействия, а также категориальных и числовых признаков объектов и пользователя. Все признаки кодируются в виде обучаемых векторов, участвующих в процессе формирования итогового представления последовательности. Обработка длинных цепочек взаимодействий реализуется за счет маскированного многоголового механизма самовнимания. Функция потерь построена на бинарной кросс-энтропии с негативным семплированием. Проведен сравнительный анализ рассматриваемой модели и ряда альтернативных методов (ALS, LightFM, ItemKNN, классические модели ранжирования) по метрикам точности, полноты, охвата и ранжирования. Показано, что предложенная архитектура обеспечивает более высокий уровень качества рекомендаций за счет гибкой интеграции признаков и учета краткосрочных и долгосрочных поведенческих зависимостей пользователя. Описан опыт промышленного внедрения разработанной рекомендательной системы на базе российской платформы UX Rocket. Обсуждаются перспективы развития, связанные с интеграцией дополнительных источников данных и оптимизацией вычислительных затрат.

Ключевые слова

рекомендательные системы
коллаборативная фильтрация
контентная фильтрация
нейронные сети
трансформер
машинное обучение
глубокое обучение

Список литературы

[1] Adomavicius G., Tuzhilin A. Towards the next generation of recommender systems: A survey of the state-of-the-art and possible extensions // IEEE Transactions on Knowledge and Data Engineering. 2005. Vol. 17, No. 6. P. 734–749.
[2] Авхадеев Б.Р., Воронова Л. И., Охапкина Е. П. Разработка рекомендательной системы на основе данных из профиля социальной сети «ВКонтакте» // Научно-технический вестник информационных технологий, механики и оптики. 2019. № 2.
[3] Бауман К., Васильев А., Тужилин А. С. Контекст как длинный хвост: использование множества контекстных переменных и их влияние на эффективность рекомендательных систем // Программные продукты и системы. 2017. № 4.
[4] Dacrema M.F., Cremonesi P., Jannach D. Are we really making much progress? A worrying analysis of recent neural recommendation approaches // Proceedings of the 13th ACM Conference on Recommender Systems (RecSys 2019). 2019. P. 101–109.
[5] Демьянов И. С. Рекомендательные системы на основе сессий: модели и задачи // Вестник Московского университета. Серия 15. Вычислительная математика и кибернетика. 2021. № 3.
[6] Ekstrand M.D., Riedl J. T., Konstan J. A. Collaborative Filtering Recommender Systems // Human–Computer Interaction. 2010. Vol. 4, No. 2. P. 81–173.
[7] Kang W.-C., McAuley J. Self-Attentive Sequential Recommendation // Proceedings — 2018 IEEE International Conference on Data Mining, IC DM. 2018. P. 197–206.
[8] Kay A. C. Computers, networks and education // Scientific American. 1991. Vol. 265, No. 3. P. 138–149.
[9] Краснов Ф. В. Сбалансированный подбор ассортимента товаров для интернет‑торговой площадки с помощью рекомендательных систем на базе трансформеров // Информационные технологии. 2021. № 3. С. 37–44.
[10] Murthi B.P.S., Sarkar S. The role of the management sciences in research on personalization // Management Science. 2003. Vol. 49, No. 10. P. 1344–1362.
[11] Negroponte N. Soft architecture machines. Cambridge, MA: MIT Press, 1975. 368 p.
[12] Нефедова Ю. С. Архитектура гибридной рекомендательной системы GEFEST // Системы и средства информатики. 2012. Т. 22, № 2. С. 176–196.
[13] Rich E. User modeling via stereotypes // Cognitive Science. 1979. Vol. 3, No. 4. P. 329–354.
[14] Vaswani A., Shazeer N., Parmar N. [et al.] Attention is All You Need // Proceedings of the 31st International Conference on Neural Information Processing Systems (NeurIPS 2017). 2017. P. 5998–6008.