Гібридна модель для ефективного формування персоналізованих рекомендацій навчальних курсів
Анотація
У цьому дослідженні представлено гібридну модель, яка поєднує колаборативну фільтрацію та глибокі нейронні мережі для підвищення ефективності навчальних рекомендацій. Такий підхід дозволяє оптимізувати процес генерації рекомендацій, забезпечуючи високу гнучкість і точність навіть при обмеженій кількості даних. У випадках, коли наявних даних недостатньо для ефективного навчання нейронної мережі, алгоритм автоматично переходить до використання колаборативної фільтрації, що зберігає якість рекомендацій і стабільність роботи моделі. Результати тестування на наборах даних показали, що гібридна модель підвищує точність і адаптивність рекомендаційної системи порівняно з традиційними методами. Поєднання двох методів дозволяє використати їхні переваги та мінімізувати недоліки, що робить модель універсальною в різних контекстах і з різними обсягами даних. Це особливо актуально у сфері освіти, де дані користувачів можуть бути обмеженими або неповними. Впровадження цієї моделі дає можливість створювати більш ефективні освітні платформи, які забезпечують персоналізоване навчання для широкої аудиторії, враховуючи індивідуальні потреби та вподобання користувачів. Важливою особливістю алгоритму є його здатність адаптуватися до змін у навчальному контенті та налаштовувати рекомендації відповідно до потреб кожного користувача. Це сприяє підвищенню задоволеності користувачів і покращує загальну якість освітніх послуг. Ефективна робота з обмеженими даними підвищує точність і адаптивність системи рекомендацій. Усі ці властивості роблять запропонований алгоритм перспективним інструментом для розвитку персоналізованих освітніх платформ, які краще відповідають індивідуальним потребам. Це сприяє ефективнішому навчанню та кращому засвоєнню матеріалу, що є важливим для розвитку сучасного інформаційного суспільства
Посилання
2. Herlocker, J. L., Konstan, J. A., Terveen, L. G., & Riedl, J. T. (2004). Evaluating collaborative filtering recommender systems. ACM Transactions on Information Systems, 22(1), 5–53.
3. Chen, R., Hua, Q., Chang, Y.-S., Wang, B., Zhang, L., & Kong, X. (2018). A survey of collaborative filtering-based recommender systems: From traditional methods to hybrid methods based on social networks. IEEE Access: Practical Innovations, Open Solutions, 6, 64301–64320.
4. Pazzani, M. J., & Billsus, D. (2007). Content-based recommendation systems. In The Adaptive Web (pp. 325–341). Springer Berlin Heidelberg.
5. Messaoudi, F., & Loukili, M. (2024). E-commerce personalized recommendations: A deep neural collaborative filtering approach. Operations Research Forum, 5(1).
