Шумова, Л. О.Рязанцев, О. І.Покришка, С. А.Shumova, L.Ryazantsev, О.Pokrishka, S.2024-11-272024-11-272023Шумова Л. О., Рязанцев О. І., Покришка С. А. Моделі машинного навчання для формування рекомендацій. Вісник Східноукраїнського національного університету імені Володимира Даля. 2023. № 2 (278). С. 96-105.https://doi.org/10.33216/1998-7927-2023-278-2-96-105https://dspace.snu.edu.ua/handle/123456789/1461У статті представлено експериментальне дослідження моделей глибоких нейронних мереж для формування релевантних рекомендацій користувачу інтернет-ресурсів. Рекомендаційна система представляє програмний засіб, що використовує певний алгоритм фільтрації та наявну інформацію про потреби користувача, щоб рекомендувати йому релевантний набір об’єктів, які будуть найбільш корисними для нього. Аналіз останніх досліджень і публікацій в області впровадження рекомендаційних систем показав, що підвищення якості пропозицій рекомендаційних систем на основі методів машинного навчання є актуальною задачею. Використання нейронних мереж у рекомендаційних системах може підвищити ефективність та зручність використання цих систем. Метою дослідження є підвищення якості пропозицій рекомендаційних систем на основі методів машинного навчання. В ході досліджень систематизовано сукупність етапів та визначено методологію побудови ефективної рекомендаційної системи з використанням методів машинного навчання. Визначені засоби, формалізовані етапи, представлена технічна блоксхема розробки нейронної рекомендаційної системи. Побудовано моделі двох систем з використанням колаборативної фільтрації й глибокої матричної факторизації. Проведено аналіз продуктивності цих систем за допомогою таких показників, як точність, повнота та нормалізований дисконтований кумулятивний виграш. Дослідження проведені з використанням таких алгоритмів оптимізації: SGD, RMSprop, ADAdelta і FTRL. Результати експериментального дослідження моделей глибоких нейронних мереж для формування рекомендацій у різних сценаріях показали, що продуктивність нейронних систем рекомендацій може сильно відрізнятися в залежності від типу використовуваної моделі пошуку, кількості та якості даних, а також архітектури та методу навчання мережі. За результатами проведених експериментів визначено оптимальні алгоритми навчання моделі нейромережевої рекомендаційної системи для вирішення певної задачі в залежності від характеру вихідних даних. Експериментальне дослідження проведено за допомогою мови програмування Python, з використанням бібліотеки TensorFlow. У роботі використано вільно доступні набори даних про рейтинги фільмів наданих користувачами сайту MovieLens.The article presents an experimental study of deep neural network models for generating relevant recommendations for each user of Internet resources. A recommender system is a software tool that uses a specific filtering algorithm and available information about the user's needs in order to recommend to him a relevant set of objects that are most useful to him. An analysis of recent research and publications in the field of introducing recommender systems has shown that improving the quality of recommender system proposals based on machine learning methods is an urgent task. The use of neural networks in recommender systems can improve the efficiency and usability of these systems. The aim of the study is to improve the quality of recommender system proposals based on machine learning methods. In the course of the study, a set of stages was systematized and a methodology for building an effective recommender system using machine learning methods was determined. The mechanisms are defined, the stages are formalized, and a technical block diagram for the development of a neural recommender system is presented. Two models of neural network recommender systems are built using joint filtering and deep matrix factorization. Evaluation of recommendation systems by indicators was carried out Precision, Recall and Normalized Discounted Cumulative Gain. Research was carried out using such optimization algorithms: SGD, RMSprop, ADAdelta and FTRL. The results of an experimental study of deep neural network models when generating recommendations in various scenarios showed that their performance can vary greatly depending on the search model, the amount and quality of data, as well as the network architecture and network training method. Based on the results of the experiments, the optimal learning algorithms for the neural network recommender system model were determined for solving a specific problem, depending on the nature of the initial data. The experimental research was conducted using Python and TensorFlow. The work uses freely available datasets on movie ratings from the MovieLens website.ukрекомендаційна системаметоди фільтраціїалгоритми машинного навчанняоцінка продуктивностіrecommendation systemfiltering methodsmachine learning algorithmsperformance evaluationArticle004.9