Применение обработки естественного языка для адаптивной навигации в системах рекомендаций
Аннотация
Цель работы — изучение возможностей применения методов обработки естественного языка (NLP) для создания адаптивной навигации в системах рекомендаций, что позволит улучшить персонализацию и взаимодействие с пользователем в реальном времени. Предложена архитектура системы, включающая использование современных фреймворков для NLP, таких как Hugging Face, TensorFlow и PyTorch. Методология исследования основана на интеграции NLP для анализа текстовых данных, предсказания намерений пользователей и динамической адаптации интерфейсов. Использованы модели трансформеров (BERT, GPT), что повысило точность анализа запросов и персонализации рекомендаций.
Результаты исследований показали, что применение NLP в системах рекомендаций значительно улучшает качество предложений. Адаптивная навигация, основанная на анализе текстов и предсказании намерений пользователей, позволяет динамически менять интерфейс, улучшая пользовательский опыт и увеличивая релевантность рекомендаций. Область применения данных результатов включает следующие цифровые платформы: интернет-магазины, стриминговые сервисы и платформы электронного обучения.
Исследование подчеркивает важность использования NLP для создания персонализированных интерфейсов. Применение трансформеров для предсказания намерений в реальном времени повышает качество взаимодействия с пользователем, делая системы рекомендаций более гибкими и адаптивными к изменяющимся потребностям пользователей.
Литература
2. Devlin J., Chang M.-W., Lee K., Toutanova K. BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding // Proc. NAACL-HLT. 2019. Pp. 4171—4186.
3. Brown T. e. a. Language Models are Few-shot Learners // Advances in Neural Information Proc. Systems. 2020. V. 33. Pp. 1877—1901.
4. Covington P., Adams J., Sargin E. Deep Neural Networks for YouTube Recommendations // Proc. X ACM Conf. Recommender Systems. 2016. Pp. 191—198.
5. Madhurika B., Malleswari Naga D. Deep Learning-based Hybrid Recommendation System with NLP — HAEK-based Sentiment Analysis // Intern. J. Intelligent Systems and Appl. in Eng. 2024. V. 12(3). Pp. 2438—2449.
6. Гомзин А.Г., Коршунов А.В. Системы рекомендаций: обзор современных подходов // Труды Института системного программирования РАН. 2012. Т. 22. С. 401—418.
7. Kaouni M. e. a. Integrating Artificial Intelligence and Natural Language Processing in E-learning Platforms: a Review of Opportunities and Limitations // Proc. VII IEEE Congress Information Sci. & Technol. Agadir, 2023.
8. Лейн Х., Хапке Х., Ховард К. Обработка естественного языка в действии. СПб.: Питер, 2020.
9. Qian Zhang, Jie Lu. Artificial Intelligence in Recommender Systems // Complex Intel. Syst. 2021. V. 7. Pp. 439—457.
10. Zheyu Wang e. a. Using Natural Language Processing Techniques to Provide Personalized Educational Materials for Chronic Disease Patients in China: Development and Assessment of a Knowledge-based Health Recommender System // JMIR Med. Inform. 2020. V. 23. No. 8(4). P. e17642.
11. Jurafsky D., Martin J.H. Speech and Language Processing. New Jersey: Prentice-Hall Inc., 2021.
12. Волков С.И. Методы и алгоритмы машинного обучения. М.: Наука, 2016.
---
Для цитирования: Рудак Л.В., Зори С.А. Применение обработки естественного языка для адаптивной навигации в системах рекомендаций // Вестник МЭИ. 2025. № 3. С. 118—125. DOI: 10.24160/1993-6982-2025-3-118-125
---
Конфликт интересов: авторы заявляют об отсутствии конфликта интересов
#
1. Morozov A.A. Vvedenie v Obrabotku Estestvennogo Yazyka. M.: Nauka, 2018. (in Russian).
2. Devlin J., Chang M.-W., Lee K., Toutanova K. BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. Proc. NAACL-HLT. 2019:4171—4186.
3. Brown T. e. a. Language Models are Few-shot Learners. Advances in Neural Information Proc. Systems. 2020;33:1877—1901.
4. Covington P., Adams J., Sargin E. Deep Neural Networks for YouTube Recommendations. Proc. X ACM Conf. Recommender Systems. 2016:191—198.
5. Madhurika B., Malleswari Naga D. Deep Learning-based Hybrid Recommendation System with NLP — HAEK-based Sentiment Analysis. Intern. J. Intelligent Systems and Appl. in Eng. 2024;12(3):2438—2449.
6. Gomzin A.G., Korshunov A.V. Sistemy Rekomendatsiy: Obzor Sovremennykh Podkhodov. Trudy Instituta Sistemnogo Programmirovaniya RAN. 2012;22:401—418. (in Russian).
7. Kaouni M. e. a. Integrating Artificial Intelligence and Natural Language Processing in E-learning Platforms: a Review of Opportunities and Limitations. Proc. VII IEEE Congress Information Sci. & Technol. Agadir, 2023.
8. Leyn Kh., Khapke Kh., Khovard K. Obrabotka Estestvennogo Yazyka v Deystvii. SPb.: Piter, 2020. (in Russian).
9. Qian Zhang, Jie Lu. Artificial Intelligence in Recommender Systems. Complex Intel. Syst. 2021;7:439—457.
10. Zheyu Wang e. a. Using Natural Language Processing Techniques to Provide Personalized Educational Materials for Chronic Disease Patients in China: Development and Assessment of a Knowledge-based Health Recommender System. JMIR Med. Inform. 2020;23;8(4):e17642.
11. Jurafsky D., Martin J.H. Speech and Language Processing. New Jersey: Prentice-Hall Inc., 2021.
12. Volkov S.I. Metody i Algoritmy Mashinnogo Obucheniya. M.: Nauka, 2016. (in Russian)
---
For citation: Rudak L.V., Zori S.A. Application of Natural Language Processing for Adaptive Navigation in Recommender Systems. Bulletin of MPEI. 2025;3:118—125. (in Russian). DOI: 10.24160/1993-6982-2025-3-118-125
---
Conflict of interests: the authors declare no conflict of interest
