Двухконтурная концепция выбора и оптимизации рекомендательных алгоритмов для бизнеса в цифровой среде
DOI: 10.21293/1818-0442-2026-29-1-152-159
☷
- О ТУСУРе
- Абитуриентам
-
Студентам
- Первокурсникам
- Расписание занятий
- Система дистанционного обучения
- Научно-образовательный портал
- Библиотека
- Групповое проектное обучение
- Журнал посещаемости
- Журнал успеваемости
- Клубы по интересам
- Спорт в ТУСУРе
- Профком студентов
- Содействие трудоустройству
- Облачное хранилище ТУСУРа
- Поддержка студенческих семей
- Поддержка участников СВО и их детей
- Многофункциональный центр
- Аспирантам
-
Сотрудникам
- Телефонный справочник
- Расписание занятий
- Система дистанционного обучения
- Научно-образовательный портал
- Библиотека
- Журнал посещаемости
- Журнал успеваемости
- Генератор рабочих программ
- Генератор ОПОП
- Генератор ИПРП
- Показатели эффективности труда ППС
- Спорт в ТУСУРе
- Профком сотрудников
- Облачное хранилище ТУСУРа
- Выпускникам
- Партнёрам
Аннотация: Актуальность. Развитие цифровых платформ усиливает значение рекомендательных алгоритмов как инструмента управления пользовательским выбором, персонализацией предложений и поддержкой бизнес-процессов компании. Цель исследования. Целью работы является разработка двухконтурной концепции выбора и оптимизации рекомендательных алгоритмов для бизнеса в цифровой среде, обеспечивающей согласование технической оценки алгоритмов с последующей проверкой их прикладной результативности. Методы. В исследовании использованы методы сравнительного анализа, многокритериальной оценки, моделирования процедуры выбора алгоритма, агрегирования частных показателей в интегральный критерий, а также концептуального описания бизнес-валидации рекомендательных решений. Научная новизна. Предложена двухконтурная концепция выбора и оптимизации рекомендательных алгоритмов, отличающаяся разделением процедуры оценки на внутренний контур многокритериального офлайн-анализа и внешний контур проверки выбранного решения по онлайн-показателям пользовательского и экономического отклика. Результаты. Показано, что выбор рекомендательного алгоритма не должен основываться на одной локальной метрике, поскольку качество рекомендаций определяется совокупностью разнонаправленных характеристик. Обоснована роль интегрального критерия как основы предварительного сравнения, ранжирования и настройки алгоритмов до их внедрения в реальную цифровую среду. Практическая значимость. Предложенный подход может применяться цифровыми платформами, интернет-магазинами, медиасервисами и иными компаниями для обоснованного выбора рекомендательных алгоритмов, настройки их гиперпараметров и последующей проверки влияния рекомендаций на пользовательское поведение и бизнес-результаты.
Ключевые слова: рекомендательные системы, бизнес в цифровой среде, управленческие решения, многокритериальная оценка, интегральный показатель
Сведения о финансировании: Работа выполнена в рамках государственного задания Минобрнауки России; проект FEWM-2026–0011.
Библиография статьи:
Кульшин Р. С. Двухконтурная концепция выбора и оптимизации рекомендательных алгоритмов для бизнеса в цифровой среде / Р. С. Кульшин, А. А. Сидоров // Доклады Томского государственного университета систем управления и радиоэлектроники. – 2026. – Т. 29, № 1. – С. 152–159. DOI: 10.21293/1818-0442-2026-29-1-152-159
Авторы и правообладатели:
- Кульшин Р. С. , Томский государственный университет систем управления и радиоэлектроники (Томск, Россия)
- Сидоров А. А. , Томский государственный университет систем управления и радиоэлектроники (Томск, Россия)
- 1. Cheng H. Wide & deep learning for recommender systems / H. Cheng, L. Koc, J. Harmsen [et al.] // Proceedings of the 1st Workshop on Deep Learning for Recommender Systems. – Boston, MA, USA: ACM, 2016. – P. 7–10.
- 2. Ghanem N. Balancing consumer and business value of recommender systems: a simulation-based analysis / N. Ghanem, S. Leitner, D. Jannach // Electronic Commerce Research and Applications. – 2022. – Vol. 55. – P. 101195. DOI: 10.1016/j.elerap.2022.101195.
- 3. De Biasio A. Economic recommender systems – a systematic review / A. De Biasio, N. Navarin, D. Jannach // Electronic Commerce Research and Applications. – 2024. – Vol. 63. – P. 101352. DOI: 10.1016/j.elerap.2023.101352.
- 4. Adomavicius G. Toward the next generation of recommender systems: a survey of the state-of-the-art and possible extensions / G. Adomavicius, A. Tuzhilin // IEEE Transactions on Knowledge and Data Engineering. – 2005. – Vol. 17, No. 6. – P. 734–749. DOI: 10.1109/TKDE.2005.99.
- 5. Gomez-Uribe C.A. The Netflix recommender system: algorithms, business value, and innovation / C.A. Gomez-Uribe, N. Hunt // ACM Transactions on Management Information Systems. – 2015. – Vol. 6, No. 4. – P. 1–19.
- 6. Zangerle E. Evaluating recommender systems: survey and framework / E. Zangerle, C. Bauer // ACM Computing Surveys. – 2022. – Vol. 55, No. 8. – P. 1–38. DOI: 10.1145/3556536.
- 7. Gunawardana A. Evaluating recommender systems / A. Gunawardana, G. Shani, S. Yogev // Recommender Systems Handbook. – 3rd ed. – New York: Springer US, 2022. – P. 547–601. DOI: 10.1007/978-1-0716-2197-4_15.
- 8. Zheng Y. A survey of recommender systems with multi-objective optimization / Y. Zheng, D. Wang // Neurocomputing. – 2022. – Vol. 474. – P. 141–153. DOI: 10.1016/j.neucom.2021.11.041.
- 9. Jannach D. A survey on multi-objective recommender systems / D. Jannach, H. Abdollahpouri // Frontiers in Big Data. – 2023. – Vol. 6. – P. 1157899. DOI: 10.3389/fdata.2023.1157899.
- 10. Jannach D. Measuring the business value of recommender systems / D. Jannach, M. Jugovac // ACM Transactions on Management Information Systems. – 2019. – Vol. 10, No. 4. – Art. 16. – P. 1–23. DOI: 10.1145/3370082.
- 11. Castells P. Offline recommender system evaluation: challenges and new directions / P. Castells, A. Moffat // AI Magazine. – 2022. – Vol. 43, No. 2. – P. 225–238. DOI: 10.1002/aaai.12051.
- 12. Кульшин Р.С. Обобщенная метрика оценки эффективности алгоритмов рекомендательных систем на основе энтропийного метода / Р.С. Кульшин, А.А. Сидоров // Проблемы управления. – 2024. – № 4. – С. 44–60. DOI: 10.25728/pu.2024.4.4.
- 13. Gilotte A. Offline A/B testing for recommender systems / A. Gilotte, C. Calauzènes, T. Nedelec et al. // Proceedings of the Eleventh ACM International Conference on Web Search and Data Mining. – Marina Del Rey, USA: ACM, 2018. – P. 198–206.
- 14. Кульшин Р.С. Оптимизация гиперпараметров рекомендательных алгоритмов посредством обобщенной метрики оценивания / Р.С. Кульшин, А.А. Сидоров // Программная инженерия. – 2026. – Т. 17, № 2. – С. 67–82. DOI: 10.17587/prin.17.67-82.
- 15. Quin F. A/B testing: a systematic literature review / F. Quin, D. Weyns, M. Galster, C.C. Silva // Journal of Systems and Software. – 2024. – Vol. 211. – Art. 112011. DOI: 10.1016/j.jss.2024.112011.
- 16. Jeunen O. Powerful A/B-testing metrics and where to find them / O. Jeunen, S. Baweja, N. Pokharna, A. Ustimenko // Proceedings of the 18th ACM Conference on Recommender Systems. – New York: ACM, 2024. – P. 816–818. DOI: 10.1145/3640457.3688036.
-2026-1_%D0%BA%D0%BE%D0%BF%D0%B8%D1%8F.jpg)
Адрес редакции
Подписка на обновления
