Аннотация: Рекомендательные системы играют важную роль в персонализированной подаче контента, используя предпочтения пользователей и атрибуты контента. В этом исследовании оцениваются три продвинутые модели рекомендаций: Neural Collaborative Filtering (NCF), Graph Neural Network-based Content Model (GNN-based Content Model) и Hybrid Neural Network (HNN). Каждая модель использует методы глубокого обучения для повышения точности прогнозов и улучшения пользовательского опыта.
Модель NCF включает две ветви: Generalized Matrix Factorization (GMF) и Multi-Layer Perceptron (MLP), что позволяет моделировать нелинейные взаимодействия между пользователем и объектом. GNN-based Content Model представляет пользователей и объекты в виде узлов двудольного графа, используя Graph Convolutional Networks (GCN) для распространения информации по связям. Гибридная нейронная сеть (HNN) объединяет эмбеддинги коллаборативной фильтрации с контентными признаками, создавая единое представление данных. Наши эксперименты, основанные на датасете MovieLens, показывают, что гибридная нейронная сеть демонстрирует наивысшую точность (85%), превосходя NCF (80%) и GNN-based Content Model (77.5%). Гибридный подход выигрывает за счёт использования как коллаборативных, так и контентных признаков, обеспечивая более точные рекомендации. GNN-модель, несмотря на возможность обработки структурных связей, испытывает сложности с холодным стартом пользователей.
Полученные результаты подтверждают, что гибридные подходы более эффективны при учёте различных факторов рекомендации. В будущем исследовании возможно внедрение трансформеров и методов обучения с подкреплением для дальнейшего повышения точности рекомендаций.

Ключевые слова: рекомендательные системы, глубокое обучение, коллаборативная фильтрация, графовые нейронные сети, гибридные модели, персонализация.