Розробка рекомендаційної системи для колективних рекомендацій на основі машинного навчання з підкріпленням


Богдан Романюк, Ольга Пелюшкевич, Марія Смичок


DOI: http://dx.doi.org/10.30970/vam.2026.36.14040

Анотація


Об’єктом дослідження є процес формування колективних рекомендацій для груп користувачів у рекомендаційних системах на основі машинного навчання з підкріпленням. У роботі розглянуто проблему підвищення точності рекомендацій для груп користувачів, уподобання яких можуть змінюватися з часом. Для її розв’язання запропоновано модель колективної системи, побудованої на основі машинного навчання з підкріпленням. У дослідженні використано архітектуру Актор--Критик, реалізовану на основі алгоритму градієнту детермінованої стратегії, що дає змогу моделювати послідовний процес прийняття рішень
і враховувати довгострокову винагороду під час формування рекомендацій. Рекомендації будуються з урахуванням історії взаємодій користувачів та особливостей групової поведінки. Експериментальне дослідження проведено на наборі даних MovieLens, а для оцінювання якості моделі використано метрики Recall@k та NDCG@k. Отримані результати підтверджують доцільність використання моделі для задач групових рекомендацій. Практичне значення роботи полягає в можливості застосування запропонованого підходу в системах електронної комерції, медіасервісах, соціальних мережах і новинних платформах.


Повний текст:

PDF

Посилання


Chen X. Deep reinforcement learning in recommender systems: A survey and new perspectives / Xiaocong Chen, Lina Yao, Julian McAuley, Guanglin Zhou, Xianzhi Wang // Knowledge-Based Systems, Volume 264. --- 2023. URL: href{https://doi.org/10.1016/j.knosys.2023.110335}

Tran L. V. Interact and Decide: Medley of Sub-Attention Networks for Effective Group Recommendation / Lucas Vinh Tran, Tuan-Anh Nguyen Pham, Yi Tay, Yiding Liu, Gao Cong, Xiaoli Li // arXiv:1804.04327. --- 2018. URL: href{https://doi.org/10.48550/arXiv.1804.04327}

Cao D. Attentive Group Recommendation / Da Cao, Xiangnan He, Lianhai Miao, Yahui An, Chao Yang, Richang Hong // Proceedings of the 41st International ACM SIGIR Conference on Research and Development in Information Retrieval. --- 2018. URL: href{https://doi.org/10.1145/3209978.3209998}

Sankar A. GroupIM: A Mutual Information Maximization Framework for Neural Group Recommendation / Aravind Sankar, Yanhong Wu, Yuhang Wu, Wei Zhang, Hao Yang, Hari Sundaram // arXiv:2006.03736. --- 2020. URL: href{https://doi.org/10.48550/arXiv.2006.03736}

Liu Z. Deep Reinforcement Learning based Group Recommender System / Zefang Liu, Shuran Wen, Yinzhu Quan // arXiv:2106.06900 --- 2021. URL: href{https://doi.org/10.48550/arXiv.2106.06900}

Jadon A. A Comprehensive Survey of Evaluation Techniques for Recommendation Systems. / Aryan Jadon, Avinash Patil // Computation of Artificial Intelligence and Machine Learning, 281–304. --- 2024. URL: href{https://doi.org/10.48550/arXiv.2312.16015}

Harper F. M. The MovieLens Datasets. / F. Maxwell Harper, Joseph A. Konstan // ACM Transactions on Interactive Intelligent Systems, 5 (4), 1–19. --- 2015. URL: href{https://doi.org/10.1145/2827872}

Leon V. Online Reinforcement Learning in Markov Decision Process Using Linear Programming. / Vincent Leon, S. Rasoul Etesami // 62nd IEEE Conference on Decision and Control (CDC), 1973–1978. --- 2023. URL: href{https://doi.org/10.48550/arXiv.2304.00155}

Zhao X. Deep Reinforcement Learning for List-wise Recommendations / Xiangyu Zhao, Liang Zhang, Long Xia, Zhuoye Ding, Dawei Yin, Jiliang Tang // arXiv:1801.00209. --- 2019. URL: href{https://doi.org/10.48550/arXiv.1801.00209}

Romaniuk B. Development of a multi-agent adaptive recommendation system based on reinforcement learning / Bohdan Romaniuk, Olha Peliushkevych // Eastern-European Journal of Enterprise Technologies, 5(2(137), 43–54. --- 2025. URL: href{https://doi.org/10.15587/1729-4061.2025.340491}

Futuhi E. ETGL-DDPG: A Deep Deterministic Policy Gradient Algorithm for Sparse Reward Continuous Control / Ehsan Futuhi, Shayan Karimi, Chao Gao, Martin Miller // Transactions on Machine Learning Research. --- 2025. URL: href{https://doi.org/10.48550/arXiv.2410.05225}


Посилання

  • Поки немає зовнішніх посилань.