ТЕХНОЛОГИИ И МЕТОДЫ ПРОЕКТИРОВАНИЯ РЕКОМЕНДАТЕЛЬНЫХ СИСТЕМ ГОРОДСКИХ СЕРВИСОВ

Авторы

А.А. Табылдиева Кыргызско-Германский Институт Прикладной Информатики
А.K. Кемелова Кыргызско-Германский Институт Прикладной Информатики
С.В. Корякин Кыргызско-Германский Институт Прикладной Информатики
Э.А. Джалбиев Кыргызско-Германский Институт Прикладной Информатики

Ключевые слова:

рекомендательные системы, контентная фильтрация, коллаборативная фильтрация, гибридный метод, классические подходы, семантические эмбеддинги, LightGBM, холодный старт, предобработка данных

Аннотация

В данной статье проводится обзор и сравнительный анализ методов и технологий проектирования рекомендательных систем для подбора городских услуг. Исследуются контентные, коллаборативные и гибридные подходы, описаны этапы сбора, очистки и предобработки данных, а также формирование пользовательских профилей и применение семантических эмбеддингов. На основе экспериментальной оценки нескольких моделей обсуждаются их преимущества и ограничения в условиях городских сервисов.

Библиографические ссылки

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.