Підбір персоналізованого контенту для соціальної мережі
Анотація
Розвиток сучасних соціальних мереж потребує впровадження ефективних систем персоналізації контенту для покращення взаємодії з користувачами. У межах цього дослідження проаналізовано наявні підходи до персоналізації контенту, враховуючи колаборативну та контентну фільтрацію, матричну факторизацію та їх гібридні комбінації із використанням нейронних мереж. Застосовано сучасні моделі для вилучення векторних характеристик мультимедійного контенту, зокрема CLIP (англ. Contrastive Language-Image Pretraining) – для зображень, I3D (англ. Inflated 3D Convolutional Networks) – для відео та VGGish – для аудіо, що дало можливість створити уніфікований набір даних для тестування алгоритмів. Проведено оцінювання точності, покриття, різноманітності та якості ранжування рекомендацій для кожного алгоритму. Досліджено обмеження продуктивності матричної факторизації та NCF (англ. Neural Collaborative Filtering), які впливають на точність й охоплення рекомендацій. Встановлено, що гібридний підхід, який поєднує колаборативну та контентну фільтрації, демонструє найвищі показники точності рекомендацій (Precision@10 = 88 %), охоплення та різноманітності. З'ясовано, що використання гібридного підходу зменшує проблему "cold start" (холодний старт) і підвищує адаптивність системи до динамічних змін уподобань користувачів. Виявлено переваги інтеграції нейронних мереж із традиційними методами, що забезпечує більшу гнучкість і точність системи. Наведено перспективи застосування отриманих результатів для розробників соціальних мереж та платформ потокового контенту, зокрема для підвищення рівня залученості користувачів. Перспективи подальших досліджень містять використання реальних даних про вподобання користувачів, вдосконалення гібридних підходів і впровадження нових моделей для оброблення мультимедійного контенту.
Завантаження
Посилання
Cheng, W., Yin, G., Dong, Y., Dong, H., & Zhang, W. (2016). Collaborative Filtering Recommendation on Users Interest Sequences. PLOS ONE, 11(5), article ID e0155739. https://doi.org/10.1371/journal.pone.0155739
Fu, W. (2023). AI-News Personalization System Combining Complete Content Characterization and Full Term Interest Portrayal In the Big Data Era. IEEE Access, 1. https://doi.org/10.1109/access.2023.3303479
Hou, L., Chu, D., & Liao, L.-Z. (2023). Convergence of a Fast Hierarchical Alternating Least Squares Algorithm for Nonnegative Matrix Factorization. IEEE Transactions on Knowledge and Data Engineering, 1–12. https://doi.org/10.1109/tkde.2023.3279369
Kim, J., & Jeon, Y. (2022). Personalized User Recommendation based on Various User Behavior in Local Domain. In: 2022 IEEE International Conference on Data Mining Workshops (ICDMW). Orlando, FL, USA, 2022, pp. 475–481. https://doi.org/10.1109/icdmw58026.2022.00069
Liu, H. (2022). Implementation and Effectiveness Evaluation of Four Common Algorithms of Recommendation Systems – User Collaboration Filter, Item-based Collaborative Filtering, Matrix Factorization and Neural Collaborative Filtering. In: 2022 International Conference on Cloud Computing, Big Data Applications and Software Engineering (CBASE). Suzhou, China, 2022, pp. 224–227. https://doi.org/10.1109/cbase57816.2022.00049
Matharu, H., Pasha, Z., Aarif, M., Natrayan, L., Kaliappan, S., & Raj, I. I. (2024). Developing an AI-Driven Personalization Engine for Real-Time Content Marketing in E-commerce Platforms. In: 2024 15th International Conference on Computing Communication and Networking Technologies (ICCCNT). Kamand, India, 2024, pp. 1–6. https://doi.org/10.1109/icccnt61001.2024.10725400
Mulyana, R. S., Id Hadiana, A., & Ramadhan, E. (2023). Recommendation System Of Product Sales Ideas For MSMEs Using Content-based Filtering and Collaborative Filtering Methods. In: 2023 International Conference on Computer Science, Information Technology and Engineering (ICCoSITE). Jakarta, Indonesia, 2023, 252–256. https://doi.org/10.1109/iccosite57641.2023.10127844
Pogacnik, M., Tasic, J. F., & Dobravec, S. (2004). Trends in personalized content retrieval and access. SympoTIC '04. Joint 1st Workshop on Mobile Future & Symposium on Trends In Communications (IEEE Cat. No.04EX877), Bratislava, Slovakia, 2004, pp. 204–207. https://doi.org/10.1109/TIC.2004.1409534
Raziperchikolaei, R., & Chung, Y.-J. (2022). A Recommendation System Framework to Generalize AutoRec and Neural Collaborative Filtering. In: 2022 IEEE International Conference on Data Mining Workshops (ICDMW). Orlando, FL, USA, 2022, 1162–1167. https://doi.org/10.1109/icdmw58026.2022.00151
Shrivastava, N., & Gupta, S. (2021). Analysis on Item-Based and User-Based Collaborative Filtering for Movie Recommendation System. In: 2021 5th International Conference on Electrical, Electronics, Communication, Computer Technologies and Optimization Techniques (ICEECCOT). Mysuru, India, 2021, 654–656. https://doi.org/10.1109/iceeccot52851.2021.9707955
Vörös, T., Bergeron, S. P., & Berlin, K. (2023). Web Content Filtering Through Knowledge Distillation of Large Language Models. In: 2023 IEEE International Conference on Web Intelligence and Intelligent Agent Technology (WI-IAT). Venice, Italy, 2023, 357–361. https://doi.org/10.1109/wi-iat59888.2023.00058
Zhang, C., & Lu, Y. (2021). Study on artificial intelligence: The state of the art and future prospects. Journal of Industrial Information Integration, 23, article ID 100224. https://doi.org/10.1016/j.jii.2021.100224
Zhang, Z. (2023). Exploration of Hybrid Recommendation Algorithms for Learning Nature Software. In: 2023 2nd International Conference on Data Analytics, Computing and Artificial Intelligence (ICDACAI). Zakopane, Poland, 2023, pp. 530–534. https://doi.org/10.1109/icdacai59742.2023.00106
