Аналіз впливу кросплатформної поведінки на якість рекомендацій
Антон Пакула, Володимир ГармашШвидке зростання кількості цифрових платформ та різноманітність онлайн-сервісів створюють нові виклики для розробки рекомендаційних систем, які мають враховувати кросплатформну поведінку користувачів для забезпечення точності та конфіденційності рекомендацій. Метою статті стало визначення того, яким чином об’єднання даних про кросплатформну поведінку може підвищити точність рекомендаційних систем. Для цього було проведено аналіз сучасних алгоритмів машинного навчання та методів обробки великих даних, що дозволяє ефективно інтегрувати інформацію з різних джерел. У дослідженні використано алгоритми кластеризації та нейронних мереж, що дозволило виявити шаблони поведінки користувачів у кросплатформенних середовищах. Отримані результати свідчать, що інтеграція кросплатформних даних покращує точність персоналізованих рекомендацій на 15-30 %, що перевищує показники традиційних, одноплатформенних підходів. Крім того, з’ясовано, що аналіз соціальних взаємодій та мережевих ефектів може значно підвищити ефективність рекомендаційних систем у кросплатформному середовищі, оскільки враховує додаткові аспекти взаємодії користувачів. Стаття також звертає увагу на аспекти конфіденційності, пропонуючи огляд сучасних підходів до захисту особистих даних, які зберігають високу якість рекомендацій. У рамках експериментальної частини дослідження було розроблено та впроваджено прототип кросплатформної рекомендаційної системи, що інтегрує дані з трьох популярних онлайн-платформ. Тестування системи на реальних даних показало підвищення точності персоналізованих рекомендацій в середньому на 27 % та зниження кількості нерелевантних пропозицій на 35 % порівняно з традиційними одноплатформними підходами. Крім того, впровадження розробленої системи захисту конфіденційності на основі диференційної приватності дозволило зберегти високу якість рекомендацій при забезпеченні належного рівня захисту персональних даних користувачів. Практична цінність дослідження полягає у застосуванні кросплатформного підходу для підвищення конкурентоспроможності рекомендаційних систем у різноманітних цифрових екосистемах
Використані джерела
[1] Aliiev, R.N. (2024). Development of a personalized content recommendation system for streaming platform based on user behavior analysis. (Bachelor’s Thesis, National Technical University of Ukraine “Igor Sikorsky Kyiv Polytechnic Institute”, Kyiv, Ukraine).
[2] Asad, M., Shaukat, S., Javanmardi, E., Nakazato, J., & Tsukada, M. (2023). A comprehensive survey on privacypreserving techniques in federated recommendation systems. Applied Sciences, 13(10), article number 6201. doi: 10.3390/app13106201.
[3] Boumhidi, A., & Benlahbib, A. (2021). Cross-platform reputation generation system based on aspect-based sentiment analysis. IEEE Access, 10, 2515-2531. doi: 10.1109/ACCESS.2021.3139956.
[4] Cao, D., Nie, L., He, X., Wei, X., Hu, X., Wu, S., & Chua, T. S. (2017). Cross-platform app recommendation by jointly modeling ratings and texts. ACM Transactions on Information Systems (TOIS), 35(4), 1-27. doi: 10.1145/3017429.
[5] Chen, M. (2020). Implementation and usability testing of a cross-platform mood-based video recommender system for older adults. (Doctoral dissertation, University of Toronto, Toronto, Canada).
[6] Deng, Z., Sang, J., & Xu, C. (2013). Personalized video recommendation based on cross-platform user modeling. In 2013 IEEE International conference on multimedia and expo (ICME) (pp. 1-6). San Josed: IEEE. doi: 10.1109/ ICME.2013.6607513.
[7] Drobot, A.Y. (2022). Development of a cross-platform image search system web application using ASP.NET technology. (Bachelor’s Thesis, Dnipro University of Technology, Dnipro, Ukraine).
[8] Du, H., Zhang, Y., Gang, K., Zhang, L., & Chen, Y. C. (2021). Online ensemble learning algorithm for imbalanced data stream. Applied Soft Computing, 107, article number 107378. doi: 10.1016/j.asoc.2021.107378.
[9] Huang, N., Zhang, S., Wan, D., Que, T., & Yu, P.S. (2023). Cross-platform sequential recommendation with sharing item-level relevance data. Information Sciences, 621, 265-286. doi: 10.1016/j.ins.2022.11.112.
[10] Ke, G., Du, H.L., & Chen, Y.C. (2021). Cross-platform dynamic goods recommendation system based on reinforcement learning and social networks. Applied Soft Computing, 104, article number 107213. doi: 10.1016/j. asoc.2021.107213.
[11] Krijestorac, H., Garg, R., & Mahajan, V. (2020). Cross-platform spillover effects in consumption of viral content: A quasi-experimental analysis using synthetic controls. Information Systems Research, 31(2), 449-472. doi: 10.1287/ isre.2019.0897.
[12] Li, M., Wang, Y., Xin, Y., Zhu, H., Tang, Q., Chen, Y., Yang, Y. & Yang, G. (2021). Cross-platform strong privacy protection mechanism for review publication. Security and Communication Networks, 2021(1), article number 5556155. doi: 10.1155/2021/5556155.
[13] Liu, Q., Zhang, X., Zhang, L., & Zhao, Y. (2019). The interaction effects of information cascades, word of mouth and recommendation systems on online reading behavior: An empirical investigation. Electronic Commerce Research, 19, 521-547. doi: 10.1007/s10660-018-9312-0.
[14] Murić, G., Tregubov, A., Blythe, J., Abeliuk, A., Choudhary, D., Lerman, K., & Ferrara, E. (2020). Massive cross-platform simulations of online social networks. In Proceedings of the 19th international conference on autonomous agents and multiagent systems (pp. 895-903). Auckland: AAMAS.
[15] Segun-Falade, O.D., Osundare, O.S., Kedi, W.E., Okeleke, P.A., Ijomah, T.I., & Abdul-Azeez, O.Y. (2024). Developing cross-platform software applications to enhance compatibility across devices and systems. Computer Science & IT Research Journal, 5(8). doi: 10.51594/csitrj.v5i8.1491.
[16] Shin, D.H. (2016). Cross-platform users’ experiences toward designing interusable systems. International Journal of Human-Computer Interaction, 32(7), 503-514. doi: 10.1080/10447318.2016.1177277.
[17] Suhas, G.K., Devananda, S.N., Jagadeesh, R., Pareek, P.K., & Dixit, S. (2021). Recommendation-based interactivity through cross platform using Big Data. In J.M.R.S. Tavares, S. Chakrabarti, A. Bhattacharya & S. Ghatak (Eds.), Emerging technologies in data mining and information security. Lecture notes in networks and systems (Vol. 164, pp. 651659). Singapore: Springer. doi: 10.1007/978-981-15-9774-9_60.
[18] Sun, Z., Wang, Z., & Xu, Y. (2023). Privacy protection in cross-platform recommender systems: Techniques and challenges. Wireless Netw, 30, 6721-6730. doi: 10.1007/s11276-023-03509-z.
[19] Zeng, J., Huang, Z., Wu, Z., Chen, Z., & Chen, Y. (2024). FedGR: Cross-platform federated group recommendation system with hypergraph neural networks. Journal of Intelligent Information Systems. doi: 10.1007/s10844-024-00887-4.
[20] Zhang, X., & Yu, X. (2020). The impact of perceived risk on consumers’ cross-platform buying behavior. Frontiers in Psychology, 11. doi: 10.3389/fpsyg.2020.592246.