МЕТОД АВТОМАТИЗОВАНОГО ФОРМУВАННЯ РЕКОМЕНДАЦІЙ ДЛЯ ЗДОБУВАЧІВ ОСВІТИ НА ОСНОВІ ГІБРИДНОГО ПІДХОДУ
DOI: 10.31673/2412-4338.2023.042127
Анотація
Найбільш популярними сферами використання рекомендаційних систем є платформи, що містять фільми, музику, книги та інші об’єкти, що є доволі однотипними за своїми характеристиками. Для таких систем розроблено доволі багато як загальних так і специфічних методів побудови рекомендацій. В статті розглянуто метод автоматизованого формування рекомендацій для здобувачів освіти на основі гібридного підходу, який передбачає врахування контенту об’єктів інтересу здобувача. Проведено аналіз існуючих підходів до побудови рекомендації та виявлено ключові проблеми. Визначено, що врахування контенту об’єктів інтересу та користувачів дозволяє підвищити точність рекомендації. В статті наведено типові види рекомендацій, які потребують студенти в освітньому процесі. Описано джерела для формування рекомендації, зокрема, явні оцінки об’єктів інтересу, отримані на основі обов’язкових опитувань студентів; неявні оцінки, отримані на основі аналізу про поведінку користувачів в системі та контент об’єктів інтересу і користувачів. Досліджено характеристики об’єктів інтересу та визначено, що вони обов’язково мають короткі або довгі текстові описи. Визначено ключові етапи методу автоматизованого формування рекомендації з урахуванням специфіки домену предметної галузі. Для підвищення точності рекомендації запропоновано перед застосуванням колаборативної фільтрації виконувати попередній відбір потенційно цікавих для користувача об’єктів на основі методів обробки текстової інформації (Natural Language Processing). Це дозволить врахувати, в тому числі, семантичну близькість інтересів користувача та об’єктів в системі навіть при невеликих обсягах текстової інформації про об’єкти інтересу та користувачів. Додатково точність рекомендації може бути підвищена за рахунок використання явних оцінок об’єктів інтересу, отримання яких на рівні закладу освіти забезпечується регулярними заходами з моніторингу якості освіти.
Ключові слова: рекомендаційна система, колаборативна фільтрація, гібридний підхід, Natural Language Processing, інформаційна технологія, база даних, автоматизація, підтримка прийняття рішень.
Список використаної літератури
1. Ткаченко, Л. В., Хмельницька, О. С. (2021). Особливості впровадження дистанційного навчання в освітній процес закладу вищої освіти. Педагогіка формування творчої особистості у вищій і загальноосвітній школах. № 75, Т. 3. С.91-96. Doi: https://doi.org/10.32840/1992-5786.2021.75-3.18
2. Нікіфорова, Т. Д., Капшук, О. А., & Нечепуренко, Д. (2022). Навчальна та організаційна робота деканату в умовах воєнного стану. Матеріали ІІ Форуму академічної спільноти «Освіта в умовах війни: реалії, виклики та шляхи подолання». С.41-43.
3. Patel, Dhruval & Patel, Foram & Chauhan, Uttam. (2023). Recommendation Systems: Types, Applications, and Challenges. 2210-142. 10.12785/ijcds/130168.
4. Мелешко Є. В. Проблеми сучасних рекомендаційних систем та методи їх рішення / Є. В. Мелешко // Системи управління, навігації та зв'язку. - 2018. - Вип. 4. - С. 120-124. - Режим доступу: http://nbuv.gov.ua/UJRN/suntz_2018_4_25
5. Beheshti, A., Yakhchi, S., Mousaeirad, S., Ghafari, S. M., Goluguri, S. R., & Edrisi, M. A. (2020). Towards cognitive recommender systems. Algorithms, 13(8), 176.
6. Raghuwanshi, Sandeep & Pateriya, R.. (2019). Collaborative Filtering Techniques in Recommendation Systems. 10.1007/978-981-13-6347-4_2.
7. Yuan, Zhenning & Lee, Jong & Zhang, Sai. (2021). Optimization of the Hybrid Movie Recommendation System Based on Weighted Classification and User Collaborative Filtering Algorithm. Complexity. 2021. 1-13. 10.1155/2021/4476560.
8. Zhang, Q., Lu, J., & Zhang, G. (2021). Recommender Systems in E-learning. Journal of Smart Environments and Green Computing, 1(2), 76-89.
