Adaptation of contemporary approaches to local data specificity and user behavior makes it possible to improve efficiency of personalized recommendations. Currently the companies actively implement recommender system technologies to improve user recommendations and increase conversion. In this work, modern ranking algorithms in recommender systems are considered and an approach to their improvement is proposed. For the purposes of effectively forming up personal recommendations for new users having no sufficient history of communication with system objects, a mathematical model of object ranking is proposed, using a combined approach with account for historical data and contextual information. Algorithms for offline and online phases of recommendation forming-up have been developed. The offline algorithm involves collecting and analyzing a matrix of estimates and constructing a graph of implicit information. The online algorithm uses social and contextual data to select the optimal forecasting model. The modular architecture of the software package is implemented with the integration of additional data sources, such as OCR, GPT and external factors (weather, location, time of day).The effectiveness of the system was assessed by F1-measure metrics. According to the experimental results, the developed system showed an improvement quality metric of 2 and 12 % compared to Adobe Target and Amazon Personalize, respectively.
Адаптация современных подходов к специфике локальных данных и поведению пользователей позволяет повысить эффективность персонализированных рекомендаций. В настоящее время многие компании активно внедряют технологии рекомендательных систем для улучшения пользовательских рекомендаций и увеличения конверсии. В работе рассмотрены современные алгоритмы ранжирования в рекомендательных системах и предложен подход к их улучшению. Для решения задачи эффективного построения персонализированных рекомендаций для новых пользователей, не имеющих достаточной истории взаимодействия с объектами системы, предложена математическая модель ранжирования объектов, использующая комбинированный подход с учетом исторических данных и контекстной информации. Разработаны алгоритмы офлайн- и онлайн-фаз формирования рекомендаций. Офлайн-алгоритм включает в себя сбор и анализ матрицы оценок, а также построение графа неявной информации. Онлайн-алгоритм использует социальные и контекстные данные для выбора оптимальной модели прогнозирования. Программный комплекс реализован в виде модульной архитектуры, поддерживающей интеграцию дополнительных источников данных, таких как OCR, GPT и внешние факторы (погода, местоположение, время суток). Эффективность системы оценена метриками F1-меры. По результатам экспериментов разработанная система показала улучшение метрики качества на 2 и 12 % по сравнению с программными средствами Adobe Target и Amazon Personalize соответственно.