Алгоритм рекомендательной системы с учетом культурных факторов для решения проблем холодного старта
(Стр. 48-58)

Фундаментальной проблемой, с которой сталкиваются современные рекомендательные системы, является феномен холодного старта, заключающийся в невозможности формирования персонализированных рекомендаций в условиях дефицита исторических данных о пользовательских предпочтениях. Традиционные методы решения данной проблемы предполагают сбор информации посредством анкетирования или привлечение данных от сторонних источников, что может приводить к компрометации конфиденциальности пользователей. В данной статье предложен алгоритм, основанный на теории культурных измерений Хофстеде, который позволяет формировать рекомендации без необходимости получения персональных данных напрямую. Алгоритм устанавливает связи между пользователями, анализируя их культурные характеристики, что способствует повышению точности прогнозирования предпочтений. Для дополнительного улучшения результатов применяется метод матричной факторизации, позволяющий выявлять скрытые закономерности в пользовательских предпочтениях даже при отсутствии явных данных о взаимодействии с системой. Эффективность предложенного авторами подхода была подтверждена в ходе экспериментов на наборе данных WS-Dream. Полученные результаты демонстрируют, что учет культурных факторов позволяет значительно повысить качество рекомендаций, особенно в условиях холодного старта. Интеграция метода матричной факторизации способствует более точному моделированию латентных факторов, влияющих на пользовательский выбор, и позволяет корректировать рекомендации в соответствии с выявленными закономерностями. Включение культурных характеристик в процесс рекомендаций превосходят консервативные методы, основанные исключительно на поведенческих данных, и обеспечивают более персонализированный подход к новым пользователям.

ОБРАЗЕЦ ЦИТИРОВАНИЯ: Сухоруков А.И., Старостин А.С., Медведев А.В., Белова Н.Н., Лемдясова Е.А. Алгоритм рекомендательной системы с учетом культурных факторов для решения проблем холодного старта // Computational Nanotechnology. 2025. Т. 12. № 1. С. 48-58. DOI: 10.33693/2313-223X-2025-12-1-48-58. EDN: MHMMOE

Брусиловский П. Доступ к социальной информации: другая сторона социальной паутины // Междунар. конф. по современным тенденциям в теории и практике компьютерных наук. Springer, 2008. С. 5–22.
Безуглова Н.П. Модель четырех параметров культуры Гирта Хофстеда // Вестник Московского государственного университета культуры и искусств. 2008. № 5. С. 29–32.
Адомавичус Г., Тужилин А. На пути к следующему поколению рекомендательных систем: обзор современного состояния и возможных расширений // IEEE Transactions on Knowledge and Data Engineering 17.6. 2005. С. 73–749.
Воронцов K., Потапенко А. Учебное пособие по вероятностному тематическому моделированию: Аддитивная регуляризация для стохастической матричной факторизации // Междунар. конф. по анализу изображений, социальных сетей и текстов x000D, Springer, 2014. С. 29–46.
Оболенский Д.М., Шевченко В.И. Обзор современных методов построения рекомендательных систем – на основе контента и гибридные системы // Сборник статей Всерос. науч.-техн. конф. студентов, аспирантов и молодых ученых «Мир компьютерных технологий» (Севастополь 5–9 апреля 2021 г.). Севастополь: Севастопольский гос. ун-т, 2021. С. 151–156.
Medvedev A.V., Medvedev A.A. Forecasting financial markets using advanced machine learning algorithms // E3S Web of Conferences. 2023. No. 403. Art. 08007.
Medvedev A.V., Medvedev A.A. Development of a mathematical model for planning team readiness for IT solution implementation projects // E3S Web of Conferences. 2023. No. 403. Art. 01030.
Медведев А.В., Медведев А.А., Шучков М.Д. Концепция управления пищевыми продуктами с применением технологии RFID: минимизация потерь и повышение осведомленности потребителей // Computational Nanotechnology. 2024. Т. 11. № 1. С. 85–93. DOI: 10.33693/2313-223X-2024-11-1-85-93. EDN: DXHSQM.
Димитриева А.И., Попов А.П., Коваленко А.В. и др. К выбору модели машинного обучения для детектирования форменных элементов крови сельскохозяйственных животных // Вестник Чувашского гос. аграрного ун-та. 2023. № 1 (24). С. 55–62. DOI: 10.48612/vch/mma8-t4ta-89nt. EDN: NGHQGA.
Пьянкова С.Г., Ергунова О.Т., Белова М.В. Нейросети как качественный сдвиг в развитии технологий в трендах теории ноономики // Уфимский гуманитарный научный форум. 2024. № 2 (18). С. 126–143. DOI: 10.47309/2713-2358-2024-2-126-143. EDN: WYCBDX.
Медведев А.В., Медведев А.А., Кирейченков Н.С. Внедрение ботов RPA в логистику холодовой цепочки поставок // Computational Nanotechnology. 2024. Т. 11. № 2. С. 35–42. DOI: 10.33693/2313-223X-2024-11-2-35-42. EDN: MMOQKQ.
Артемьев В.С., Мокрова Н.В. Метод первого приближения анализа устойчивости систем управления электрооборудованием // Computational Nanotechnology. 2024. Т. 11. № 3. С. 52–56. DOI 10.33693/2313-223X-2024-11-3-52-56. EDN: QGSYPS.
Артемьев В.С., Максимов А.С. Реализация метода Симою для моделирования переходных процессов объекта управления // Computational Nanotechnology. 2024. Т. 11. № 3. С. 43–51. DOI: 10.33693/2313-223X-2024-11-3-43-51. EDN: QGRTWW.
Mokrova N., Artemyev V., Hajiyev A. Design of reversible thyristor feed drive with proportional-integral controllers // Machine Science. 2024. Vol. 13. No. 2. Pp. 13–28. DOI: 10.61413/IYNU7656.
Тихонов В.А., Белов В.В., Артемьев В.С. Анализ базовых моделей транспортного потока // Международный журнал прикладных и фундаментальных исследований. 2017. № 3-2. С. 175–177.
Ahmedov B., Artemyev V., Kaya H. Modelling of automatic control system on an electronic model // Machine Science. 2024. Vol. 13. No. 2. Pp. 65–76. DOI: 10.61413/RSGZ7710.

холодный старт, культурная дистанция, матричная декомпозиция, рекомендательная система.