Система рекомендацій книг методами та засобами штучного інтелекту
Анотація
Виявлено, що сучасні рекомендаційні системи книг практично не враховують емоційного стану і поточного настрою читача, а також особливостей україномовного контенту, що призводить до зниження читацької активності, особливо серед молоді віком 18-39 років. Встановлено, що інтеграція мультимовних трансформерних моделей із багатокласовим емоційним аналізом відгуків за 14 класами емоцій дає змогу істотно підвищити релевантність, персоналізацію та суб'єктивну задоволеність користувачів від наданих рекомендацій. Запропоновано та реалізовано повнофункціональну вебсистему BookSense з п'ятьма режимами рекомендацій книг: семантичний пошук за вільним текстовим описом бажаної книги, рекомендації за бажаним емоційним впливом (натхнення, інтрига, затишок, радість тощо), "протилежні" рекомендації для свідомого розширення читацького кругозору та виходу за межі звичних жанрів і авторів, гібридні спільні рекомендації на підставі профілю іншого користувача та контентно-колаборативний режим на підставі спільно оцінених книг. Сформовано та очищено репрезентативний набір даних із 10 074 книг та 42 116 відгуків із відкритого джерела Amazon Books Reviews, з яких близько 18 % подано українською мовою. Для семантичного пошуку використано претреновану мультимовну модель paraphrase-multilingual-MiniLM-L12-v2, для багатокласового емоційного аналізу – модель boltuix/bert-emotion. Система розгорнута на сучасному стеку React + FastAPI + PostgreSQL + Qdrant. Експериментально встановлено, що за вільного використання всіх п'яти режимів середнє значення Precision@5 становить 69,4 %, MRR = 0,751, середня тривалість оброблення запиту – 0,94 с (максимум менше 2 с) навіть на обладнанні середнього рівня. Суб'єктивна оцінка релевантності емоційного режиму активними читачами (n = 62) становила 4,61-4,72 бала із 5,0. Запропонована система перевищує наявні українські платформи та більшість глобальних аналогів за поєднанням повної підтримки української мови, багатокласового емоційного аналізу, швидкості роботи та можливості локального розгортання. Результати створюють науково-практичні передумови для впровадження вебсистеми BookSense у бібліотеки, інтернет-книгарні, освітні платформи та державні програми підтримки читання молоді в Україні.
Завантаження
Посилання
Alharthi, H., Inkpen, D., & Szpakowicz, S. (2023). An Emotion-Based Rating System for Books Using Sentiment Analysis and Machine Learning in the Cloud. Applied Sciences, 13(2), article ID 773. https://doi.org/10.3390/app13020773
Amazon Books Reviews Datasets. URL: https://www.kaggle.com/datasets/mohamedbakhet/amazon-books-reviews?resource= download.
Cheng, L. (2024). Optimization of the Book Recommendation System Based on Collaborative Filtering. 2024 IEEE 18th International Conference on Anti-counterfeiting, Security, and Identification (ASID), Xiamen, China, pp. 32–37. https://doi.org/10.1109/ASID63618.2024.10839670
Colnerič, N., & Demšar, J. (2020). Emotion recognition on Twitter: Comparative study and training a unison model. IEEE Transactions on Affective Computing, 11(3), 433–446. https://doi.org/10.1109/TAFFC.2018.2807817
Devika, M., & Milton, R. S. (2024). Book recommendation using sentiment analysis and ensembling algorithms. Knowledge and Information Systems, 67, 1131–1168. https://doi.org/10.1007/s10115-024-02250-z
Devlin, J., Chang, M. W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, vol. 1 (Long and Short Papers), pp. 4171–4186. https://doi.org/10.18653/v1/N19-1423
Dyak, T. P., & Hrytsiuk, Y. I. (2024). Application of corpus tools to identify keywords of Ukrainian rebel songs as a genre of the folklore discourse. Scientific Bulletin of UNFU, 34(7), 60–71. https://doi.org/10.36930/40340708
FastAPI Documentation. URL: https://fastapi.tiangolo.com/. Date of application: 29.10.2025.
Fujimoto, T., & Murakami, H. (2022). A Book Recommendation System Considering Contents and Emotions of User Interests. 2022 12th International Congress on Advanced Applied Informatics (IIAI-AAI), Kanazawa, Japan, pp. 154–157. https://doi.org/10.1109/IIAIAAI55812.2022.00039
Grytsiuk, P. Y., Ivanyshyn, A. V., & Hrytsiuk, Y. I. (2023). Quality assurance of software products in accordance with IEEE 730-2014 standard within the project implementation lifecycle. Scientific Bulletin of UNFU, 33(2), 101–117. https://doi.org/10.36930/40330214
Gupta, U., Singh, T., Singh, V., Rastogi, U., & Kumar, S. (2025). Book Recommendation System Using Hybrid Content and Collaborative Filtering Techniques. 2025 3rd International Conference on Disruptive Technologies (ICDT), Greater Noida, India, pp. 1233–1238. https://doi.org/10.1109/ICDT63985.2025.10986667
Hrytsiuk, Y. I., & Dyak, T. P. (2021). The use os internet technologies in educational process in higher education institutions. Scientific Bulletin of UNFU, 31(1), 137–146. https://doi.org/10.36930/40310123
Hugging Face. URL: https://huggingface.co/. Date of application: 31.05.2025.
Husaeni, M. I. Z., Ifada, N., & Rachman, F. H. (2023). Boosting the Performance of Hybrid Semantic Ontology-based model using Density Rough k-Modes Clustering Technique on Library Book Recommendation System. 2023 8th International Conference on Information Technology and Digital Applications (ICITDA), Yogyakarta, Indonesia, pp. 1–6. https://doi.org/10.1109/ICITDA60835.2023.10427018
Jain, P. K., Pamula, R., & Srivastava, G. (2021). A systematic literature review on machine learning applications for consumer sentiment analysis using online reviews. Computer Science Review, 41, article ID 100413. https://doi.org/10.1016/j.cosrev.2021.100413
Kornak, O. I., & Hrytsiuk, Y. I. (2021). Designing a fund management system for a charity fund. Scientific Bulletin of UNFU, 31(2), 121–132. https://doi.org/10.36930/40310220
Lops, P., de Gemmis, M., & Semeraro, G. (2011). Content-based Recommender Systems: State of the Art and Trends. In Recommender Systems Handbook (pp. 73–105). Springer. https://doi.org/10.1007/978-0-387-85820-3_3
Mathew, P., Kuriakose, B., & Hegde, V. (2016). Book Recommendation System through content based and collaborative filtering method. 2016 International Conference on Data Mining and Advanced Computing (SAPIENCE), Ernakulam, India, pp. 47–52. https://doi.org/10.1109/SAPIENCE.2016.7684166
Mikolov, T., Chen, K., Corrado, G., & Dean, J. (2013). Efficient Estimation of Word Representations in Vector Space. arXiv preprint arXiv:1301.3781. https://doi.org/10.48550/arXiv.1301.3781
Mustafa, M., Abbas, A., Rauf, H. T., Khan, A. H., Abid, A., & Mehmood, A. (2023). E-learning course recommendation based on sentiment analysis using hybrid Elman similarity. Knowledge-Based Systems, 259, article ID 110252. https://doi.org/10.1016/j.knosys.2022.110252
Nath, R. K., Tyagi, S., Khan, H., & Yadav, P. (2024). Modelling Personalized Book Recommendation using Hybrid Filtering. 2024 International Conference on Communication, Computing and Energy Efficient Technologies (I3CEET), Gautam Buddha Nagar, India, pp. 261–266. https://doi.org/10.1109/I3CEET61722.2024.10994012
Negandhi, T., Dhumale, P., Vachhani, M., & Gawande, K. (2023). Bookbuddy: A Mood Based Book Recommendation System. 2023 7th International Conference On Computing, Communication, Control And Automation (ICCUBEA), Pune, India, pp. 1–7. https://doi.org/10.1109/ICCUBEA58933.2023.10392250
Polars Documentation. URL: https://pola.rs/. Date of application: 29.10.2025.
PostgreSQL Documentation. URL: https://www.postgresql.org/. Date of application: 31.05.2025.
Python Official Website. URL: https://www.python.org/. Date of application: 31.05.2025.
Qdrant Documentation. (.2025). AI Meets Advanced Vector Search. URL: https://qdrant.tech. Date of application: 29.10.2025.
Ravichandiran, Sudharsan. (2021). Getting Started with Google BERT: Build and train state-of-the-art natural language processing models using BERT. Packt Publishing, 356 p. URL: https://ieeexplore.ieee.org/document/10162609/authors
React Documentation. URL: https://react.dev/learn. Date of application: 31.05.2025.
Reimers, N., & Gurevych, I. (2019). Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks. Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing (EMNLP-IJCNLP), pp. 3982–3992. https://doi.org/10.18653/v1/D19-1410
SQLAlchemy Documentation. URL: https://www.sqlalchemy.org/. Date of application: 29.10.2025.
The Ukrainian Book Institute summed up its activities in 2023. Chytomo. URL: https://chytomo.com/ukrainskyj-instytut-knyhy-pidsumuvav-svoiu-diialnist-u-2023-rotsi-1/
Torskyi, O. I., & Hrytsiuk, Y. I. (2025). Application of machine learning to enhance the efficiency of automated software testing. Scientific Bulletin of UNFU, 35(4), 142–149. https://doi.org/10.36930/40350416
Weinfeld, Z., & Stanchev, L. (2025). Enhancing Transformer-Based Semantic Search by Integrating Human-Crafted Knowledge Into Sentence Embeddings. 2025 19th International Conference on Semantic Computing (ICSC), Laguna Hills, CA, USA, pp. 118–121. https://doi.org/10.1109/ICSC64641.2025.00022
Zhang, Y., Wang, J., & Li, X. (2025). Emotion and sentiment enriched decision transformer for recommendation systems. Scientific Reports, 15, article ID 6386. https://doi.org/10.1038/s41598-025-06386-y
Zhao, Y., & Zeng, J. (2020). Library Intelligent Book Recommendation System Using Facial Expression Recognition. 2020 9th International Congress on Advanced Applied Informatics (IIAI-AAI), Kitakyushu, Japan, 55–58. https://doi.org/10.1109/IIAI-AAI50415.2020.00021
