ИССЛЕДОВАНИЕ ГИБРИДНОГО РЕКОМЕНДАТЕЛЬНОГО ПОДХОДА НА ОСНОВЕ НЕЙРОСЕТЕВОГО РАНЖИРОВАНИЯ И ОНТОЛОГИЧЕСКОГО ПОВТОРНОГО РАНЖИРОВАНИЯ ТОВАРОВ

Дорошенко В. В. Григорьев А. В

Об авторах

Дорошенко В. В. Григорьев А. В

Дорошенко Владислав Владимирович – студент кафедры «Программная инженерия» им. Л. П. Фельдмана, федеральное государственное бюджетное образова- тельное учреждение высшего образования «Донецкий национальный технический университет», 283001, г. Донецк, ул. Артема, 58. Область научных интересов: рекомендательные системы, нейронные сети, онтологии. ORCID: 0009-0003-8549-2584.

Григорьев Александр Владимирович – кандидат технических наук, доцент кафедры «Программная инженерия» им. Л. П. Фельдмана, федеральное государственное бюджетное образовательное учреждение высшего образования «Донецкий националь- ный технический университет», 283001, г. Донецк, ул. Артема, 58. Область научных интересов: онтологии, инструментальные среды для автоматизации разработки интеллектуальных САПР, нейронные сети. ORCID: 0000-0002-3109-5298.

Скачать PDF

УДК: 004.89
DOI: 10.24412/2413-7383-2026-2-41-97-111
Язык: Русский

Аннотация: Исследование посвящено интеграции нейросетевого ранжирования и онтологических связей товаров в рекомендательных системах электронной коммерции. Сравнены два подхода: онтологическая регуляризация модели и повторное ранжирование результатов. Показано, что регуляризация снижает качество рекомендаций, тогда как повторное ранжирование повышает его. Наиболее эффективным является использование онтологии как отдельного модуля постобработки, повы-шающего качество и объяснимость рекомендаций без перестройки базового конвейера.

Ключевые слова: рекомендательные системы, онтология, повторное ранжирование, электронная коммерция, векторные представления.

Список литературы

1. Gheewala S. Xu S. Yeom S. In-depth survey: deep learning in recommender systems – exploring prediction and ranking models, datasets, feature analysis, and emerging trends // Neural Comput & Applic. 2025. Т. 37, № 17. С. 10875–10947.
2. Zhou H. Xiong F. Chen H. A Comprehensive Survey of Recommender Systems Based on Deep Learning // Applied Sciences. 2023. Т. 13, № 20. Ст. 11378.
3. Deep learning in news recommender systems: A comprehensive survey, challenges and future trends / Talha M.M. и др. // Neurocomputing. 2023. Т. 562. Ст. 126881.
4. Черняков А.Н. О некоторых способах построения рекомендательных систем онлайн-маркетинга на основе алгоритмов машинного обучения / А.Н. Черняков, М.Ш. Дибиров // Инновации и инвестиции. 2023. № 6. С. 351–356.
5. Кожихова К.Е. Нейросетевая рекомендательная система по подбору контента для онлайн -кинотеатров / К.Е. Кожихова, Д.В. Тараканов, И.В. Чалей // Вестник кибернетики. 2024. Т. 23, № 4. С. 34 –52.
6. Мохов А.И. Разработка рекомендательной системы на основе сессий с использованием многоуровневой системы отбора кандидатов / А.И. Мохов, В.Г. Кислинский, А.С. Алексейчук // Труды МАИ. 2022. № 126. С. 516–542.
7. Краснов Ф.В. Сравнение методов векторизации названий товаров: компромисс между точностью и вычислительной эффективностью в ecommerce // International Journal of Open Information Technologies. 2026. Т. 14, № 3. С. 19–27.
8. Knowledge-based recommender systems: overview and research directions / Uta M. и др. // Front Big Data. 2024. Т. 7. Ст. 1304439.
9. Rahayu N.W. Ferdiana R. Kusumawardani S.S. A systematic review of ontology use in E-Learning recommender system // Computers and Education: Artificial Intelligence. 2022. Т. 3. Ст. 100047.
10. Review-based Recommender Systems: A Survey of Approaches, Challenges and Future Perspectives [Электронный ресурс] / Hasan E. и др. // arXiv. 2025. arXiv:2405.05562. URL: https://arxiv.org/abs/2405.05562 (дата обращения: 08.05.2026).
11. Дорошенко В.В. Гибридная нейро-онтологическая двухбашенная рекомендательная система в условиях разреженных данных / В.В. Дорошенко, А.В. Григорьев // Интеллектуальные информационные системы: теория и практика: сборник научных статей по материалам VI Международной научно-технической конференции, Курск, 18–20 ноября 2025 года. Курск: Курский государственный университет, 2025. С. 41–46.
12. Ниничук М.М. Обзор методов построения рекомендательных систем на основе сессий / М.М. Ниничук, Д.Е. Намиот // International Journal of Open Information Technologies. 2023. Т. 11, № 5. С. 22–32. Д Дорошенко В.В. Григорьев А.В.
13. Knowledge-Aware Multi-Intent Contrastive Learning for Multi-Behavior Recommendation [Электронный ресурс] / Liang S. и др. // arXiv. 2024. arXiv:2404.11993. URL: https://arxiv.org/abs/2404.11993 (дата обращения: 08.05.2026).
14. Kwon Y. Bak G. Bae Y. A Hybrid Recommendation System Based on Similar-Price Content in a Large- Scale E-Commerce Environment // Applied Sciences. 2025. Т. 15, № 19. Ст. 10758.
15. DMR: disentangled and denoised learning for multi-behavior recommendation / Zhang Y. и др. // Complex Intell. Syst. 2025. Т. 11, № 2. Ст. 153.
16. Цыплов А.М. Комбинированная модель качества рекомендательных систем / А.М. Цыплов, А.В. Бухановский // Научно-технический вестник информационных технологий, механики и оптики. 2025. Т. 25, № 6. С. 1117–1124.
17. Negative Sampling in Recommendation: A Survey and Future Directions / Ma H. и др. // ACM Trans. Inf. Syst. 2026.
18. Embedding in Recommender Systems: A Survey [Электронный ресурс] / Zhao X. и др. // arXiv. 2023. arXiv:2310.18608. URL: https://arxiv.org/abs/2310.18608 (дата обращения: 08.05.2026).
19. Волин М.В. Рекомендательная система с контентной фильтрацией в электронной коммерции / М.В. Волин, Л.П. Вовк // Вестник науки и образования. 2025. № 6 (161)-1. С. 5–10.
20. Language-agnostic BERT Sentence Embedding / Feng F. и др. // Proceedings of the 60th Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers) / ed. by Muresan S. Nakov P. Villavicencio A. Dublin, Ireland: Association for Computational Linguistics, 2022. С. 878–891.
21. Hennekes S. Frasincar F. Weighted Neural Collaborative Filtering: Deep Implicit Recommendation with Weighted Positive and Negative Feedback // Proceedings of the 38th ACM/SIGAPP Symposium on Applied Computing. New York, NY, USA: Association for Computing Machinery, 2023. С. 1799–1808.
22. Elsayed S. Rashed A. Schmidt-Thieme L. An inter- and intra-attention model for multi-behavior recommendation // Int J Data Sci Anal. 2025. Т. 20, № 7. С. 6555–6566.
23. Correct and Weight: A Simple Yet Effective Loss for Implicit Feedback Recommendation [Электронный ресурс] / Yin M. и др. // arXiv. 2026. arXiv:2601.04291. URL: https://arxiv.org/abs/2601.04291 (дата обращения: 08.05.2026).
24. Кваша В.А. Области применения онтологий в интернет-маркетинге / В.А. Кваша, В.Д. Ларионов, Е.И. Воеводина // Практический маркетинг. 2024. № 12. С. 13–15.
25. Zhang L. Liu P. Gulla J.A. Recommending on graphs: a comprehensive review from a data perspective // User Modeling and User-Adapted Interaction. 2023. Т. 33, № 4. С. 803–888.
26. Cui W. Lam H.-K. SAGERec: Semantic-Aware Global Graph-Enhanced Representation Learning for Sequential Recommendation // Electronics. 2025. Т. 14, № 24. Ст. 4844.
27. Zhu T. Sun L. Chen G. Graph-Based Embedding Smoothing for Sequential Recommendation // IEEE Transactions on Knowledge & Data Engineering. 2023. Т. 35, № 1. С. 496–508.
28. Collaborative Semantic Alignment in Recommendation Systems Recommendation [Электронный ресурс] / Wang C. и др. // arXiv. 2024. arXiv:2310.09400. URL: https://arxiv.org/abs/2310.09400 (дата обращения: 08.05.2026).
29. Recommendations by Concise User Profiles from Review Text Recommendation [Электронный ресурс] / Torbati G.H. и др. // arXiv. 2025. arXiv:2311.01314. URL: https://arxiv.org/abs/2311.01314 (дата обращения: 08.05.2026).
30. Дорошенко В.В. Экономическая эффективность гибридной рекомендательной системы на основе

Выпуск: 2(41)'2026
Раздел: СИСТЕМНЫЙ АНАЛИЗ, УПРАВЛЕНИЕ И ОБРАБОТКА ИНФОРМАЦИИ, СТАТИСТИКА
Как цитировать: Дорошенко В. В. Григорьев А. В. ИССЛЕДОВАНИЕ ГИБРИДНОГО РЕКОМЕНДАТЕЛЬНОГО ПОДХОДА НА ОСНОВЕ НЕЙРОСЕТЕВОГО РАНЖИРОВАНИЯ И ОНТОЛОГИЧЕСКОГО ПОВТОРНОГО РАНЖИРОВАНИЯ ТОВАРОВ // Проблемы искусственного интеллекта. - 2026. - № 2 (41). - С. 97-111. - https://paijournal.guiaidn.ru/ru/2026/2(41)-9.html

Назад к выпуску 2(41)'2026