TECHNOLOGIES AND DESIGN METHODS OF RECOMMENDER SYSTEMS FOR URBAN SERVICES
Keywords:
recommender systems, content-based filtering, collaborative filtering, hybrid methods, traditional approaches, semantic embeddings, user profiling, LightGBM, cold-start, data preprocessingAbstract
This article presents a comprehensive review and comparative analysis of methods and technologies for designing recommender systems that support the selection of urban services. Content-based, collaborative and hybrid approaches are examined. The paper describes the stages of data collection, cleansing and preprocessing, the construction of user profiles, and the application of semantic embeddings. Based on an experimental evaluation of several representative models (including LightGBM), the study analyses their advantages and limitations in the specific context of urban-service environments, with attention to practical challenges such as cold-start and data-preprocessing requirements.
References
1. Джейд Картер, Нейросети начало, Глава 7, 2023. (Дата обращения: 17.09.2025)
2. Научная статья Козловой и Германчук (2022) «Разработка гибридной системы рекомендаций» https://cyberleninka.ru/article/n/razrabotka-gibridnoy-sistemy-rekomendatsiy (Дата обращения: 17.09.2025)
3. Научная статья Ерёмина и Моркулёва (2023) «Методы реализации гибридных рекомендательных систем» https://cyberleninka.ru/article/n/metody-realizatsii-gibridnyh-rekomendatelnyh-sistem (Дата обращения: 17.09.2025)
4. Youtube https://www.youtube.com (Дата обращения: 17.09.2025)
5. Linkedin https://www.linkedin.com (Дата обращения: 17.09.2025)
6. Lalafo https://lalafo.kg (Дата обращения: 17.09.2025)
7. Berry M.W. Large scale singular value computations / International Journal of Supercomputer Applications, 1992. С. 13–49. (Дата обращения: 17.09.2025)
8. Billsus D., Pazzani M.J. Learning Collaborative Information Filters / Proceeding 15th International Conference on Machine Learning, 1998. С. 46-54. (Дата обращения: 19.09.2025)
9. Магистерская диссертация Кокачева В. А. https://api.dspace.spbu.ru/server/api/core/bitstreams/f8aec00e-3f20-4265-87dd-a734a6066263/content (Дата обращения: 19.09.2025)
10. Ekstrand M. D., Riedl J. T., Konstan J. A. Collaborative Filtering Recommender Systems / Foundations and Trends in Human–Computer Interaction, 2011. No. 2. С. 81-173. (Дата обращения: 21.09.2025)
11. Введение в рекомендательные системы, Яндекс образование, https://education.yandex.ru/handbook/ml/article/intro-recsys (Дата обращения: 21.09.2025)
12. Kermany, N. R., & Alizadeh, S. H. (2017). A hybrid multi-criteria recommender system using ontology and neuro-fuzzy techniques. Electronic Commerce Research andApplications, 21, 50-64 (Дата обращения: 27.09.2025).
13. Mohammadpour, T., Bidgoli, A. M., Enayatifar, R., & Javadi, H. H. S. (2019). Efficient clustering in collaborative filtering recommender system: Hybrid method based on genetic algorithm and gravitational emulation local search algorithm. Genomics, 111(6), 1902-1912 (Дата обращения: 27.09.2025).
14. Goodfellow I., Bengio Y., Courville A. Deep Learning / MIT Press, 2016. С. 1–800. (Дата обращения: 2.10.2025).
15. Ke G., Meng Q., Finley T., Wang T., Chen W., Ma W., Ye Q., Liu T.-Y. LightGBM: A Highly Efficient Gradient Boosting Decision Tree / Proceedings of the 31st Conference on Neural Information Processing SystemsUSA, 2017. С. 3149–3157 (Дата обращения: 2.10.2025)
16. Vaswani A., Shazeer N., Parmar N., Uszkoreit J., Jones L., Gomez A. N., Kaiser Ł., Polosukhin I. Attention Is All You Need / Proceedings of the 31st Conference on Neural Information Processing Systems USA, 2017. С. 5998–6008 (Дата обращения: 5.10.2025).
17. Kula M. Metadata Embeddings for User and Item Cold-start Recommendations / Proceedings of the 2nd Workshop on New Trends on Content-Based Recommender Systems (co-located with RecSys 2015) Vol. 1448, Vienna, Austria, 2015. С. 14–21. (Дата обращения: 5.10.2025).
18. 2GIS API. – Официальная документация
19. https://dev.2gis.ru/order (дата обращения: 12.03.2025)
20. DataFinder. StandardScaler в машинном обучении https://datafinder.ru/products/standardscaler-v-mashinnom-obuchenii (дата обращения: 10.10.2025).
21. Верзунов, С. Н. Анализ и ARIMA-модели динамики изменения концентрации РМ2.5 в атмосферном воздухе Г.Бишкек / С. Н. Верзунов, Н. М. Лыченко // Проблемы автоматики и управления. – 2019. – № 1(36). – С. 147-155. – DOI 10.5281/zenodo.3253027. – EDN IKKKUC.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 А.А. Табылдиева, А.K. Кемелова, С.В. Корякин, Э.А. Джалбиев
This work is licensed under a Creative Commons Attribution 4.0 International License.
