Застосування графових баз даних і Explainable AI у створенні рекомендаційної системи з гібридним способом фільтрації
DOI:
https://doi.org/10.18523/2617-3808.2025.8.43-49Ключові слова:
рекомендаційна система, графова нейронна мережа, гетерогенний граф, гібридна фільтрація, мультимодальні дані, персоналізація, Explainable AI, Neo4j, PythonАнотація
У дослідженні описано побудову рекомендаційної системи з гібридним способом фільтрації, що використовує гетерогенні графові структури, нейронні мережі та Explainable AI заради підвищення персоналізації та прозорості рішень. Базова методологія оптимізації рекомендацій ґрунтується на сучасних методах машинного навчання, які здатні ефективно моделювати залежності між об’єктами. Предметна область задачі охоплює мультимедійні рекомендації, зосереджені на персоналізованому підході. Представлена архітектура системи дає можливість ефективно обробляти множину вузлів різних типів і зв’язків (набір взаємодій, належність елементів до жанру, подібність), що відображають комплексні ознаки поведінкових і контекстуальних даних.
Результати експериментального тестування підтвердили ефективність запропонованого підходу: система демонструє високі показники персоналізації, новизни рекомендацій та здатності виявляти подібних користувачів.
Посилання
- Advanced Movie Search API. https://rapidapi.com/rapidapi/api/advanced-movie-search. Darban, Z. Z., & Valipour, M. H. (2021). GHRS: Graph-based Hybrid Recommendation System with Application to Movie Recommendation. Faculty of Information Technology, Monash University, Melbourne, Australia, Department of Engineering and Product, Ostadkar Company, Tehran, Iran. https://arxiv.org/pdf/2111.11293.
- Google Books API. https://developers.google.com/books.
- Gupta, S. K., Kumar, A., & Prasad, D. (2025). Multimodal Graph-based Recommendation System using Hybrid Filtering Approach. International Journal of Computing and Digital Systems. https://doi.org/10.12785/ijcds/1571047857.
- Hamilton, W., Ying, Z., & Leskovec, J. (2017). Inductive representation learning on large graphs. In Proceedings of the 31st Conference on Neural Information Processing Systems (NIPS). https://arxiv.org/pdf/1706.02216.
- Hu, W., Fey, M., Zitnik, M., Dong, Y., Ren, H., Liu, B., Catasta, M., & Leskovec, J. (2020). Open Graph Benchmark: Datasets for Machine Learning on Graphs. In Proceedings of NeurIPS. https://arxiv.org/pdf/2005.00687.
- Jesse, M. W., Bauer, C., & Jannach, D. (2022). Intra-list similarity and human diversity perceptions of recommendations: the details matter. User Modeling and User-Adapted Interaction, 33 (5). https://doi.org/10.1007/s11257-022-09351-w.
- Liu, H., Hu, Z., & Mian, A. U. (2014). A new user similarity model to improve the accuracy of collaborative filtering. Knowledge-Based Systems, 56(6), 156–166. https://doi.org/10.1016/j.knosys.2013.11.006.
- RAWG Video Games Database API. https://rawg.io/apidocs.
- Reimers, N., & Gurevych, I. (2019). Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks. In Proceedings of EMNLPIJCNLP. https://aclanthology.org/D19-1410/.
- Vargas, S., & Castells, P. (2011). Rank and Relevance in Novelty and Diversity Metrics for Recommender Systems. In Proceedings of the 2011 ACM Conference on Recommender Systems (RecSys 2011). Chicago, IL, USA, October 23–27, 2011. https://doi.org/10.1145/2043932.2043955.
- Wu, L., Sun, P., Fu, Y., & Hong, R. (2020). A survey on neural recommendation: From collaborative filtering to content and knowledge enhanced recommendation. IEEE Transactions on Knowledge and Data Engineering. https://www.researchgate.net/publication/351120123_A_Survey_on_Neural_Recommendation_From_Collaborative_Filtering_to_Content_and_Context_Enriched_Recommendation.
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2025 M. Hlybovets, Y. Sydorova
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Автори, які публікуються у цьому журналі, погоджуються з такими умовами:
а) Автори зберігають за собою авторські права на твір на умовах ліцензії CC BY 4.0 Creative Commons Attribution International License, котра дозволяє іншим особам вільно поширювати (копіювати і розповсюджувати матеріал у будь-якому вигляді чи форматі) та змінювати (міксувати, трансформувати, і брати матеріал за основу для будь-яких цілей, навіть комерційних) опублікований твір на умовах зазначення авторства.
б) Журнал дозволяє автору (авторам) зберігати авторські права без обмежень.
в) Автори мають право укладати самостійні додаткові угоди щодо поширення твору (наприклад, розміщувати роботу в електронному репозитарії), за умови збереження посилання на його першу публікацію. (Див. Політика Самоархівування)
г) Політика журналу дозволяє розміщення авторами в мережі Інтернет (наприклад, у репозитаріях) тексту статті, як до подання його до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
