Рекомендательная система с этапом предварительного обучения на основе нейросетевых моделей для обработки последовательностей событий

В настоящее время рекомендательные системы играют жизненно важную роль в современном бизнесе благодаря их способности повышать вовлеченность клиентов и увеличивать продажи. Однако большинство существующих моделей рекомендаций обрабатывают только историю поведения пользователей, игнорируя такой важный фактор, как взаимосвязи между ними. В ходе данного исследования была создана модель глубокого обучения, способная обрабатывать последовательности событий и учитывать взаимосвязи между пользователями для прогнозирования их последующих действий. Были разработаны различные алгоритмы предварительного обучения модели на разные задачи, способствующие извлечению полезной информации из пространственно-временных данных о поведении пользователей и их социальных взаимоотношениях. Этап предварительного обучения был добавлен к алгоритму обучения модели на целевую задачу предсказания следующего действия пользователя. С помощью подсчета метрик, описывающих качество работы рекомендательных систем, было показано, что такой подход позволяет повысить качество рекомендаций. Был проведен сравнительный анализ предложенного метода с существующими, в результате которого было выявлено его превосходство над существующими решениями по метрикам со статистически значимой разницей. На основе наилучшего алгоритма была разработана и протестирована рекомендательная система. Работа состоит из 79 страниц, 4 главы, 25 рисунков, 34 таблицы, 8 формул, 2 приложения. Использовано 22 источника. Ключевые слова: рекомендательная система; глубокое обучение; последовательность событий; предварительное обучение; обучение представлениям; социальный граф; пространственно-временные данные; эмбеддинги