МУЛЬТИМОДАЛЬНАЯ НЕЙРОННАЯ КОЛЛАБОРАТИВНАЯ ФИЛЬТРАЦИЯ В ЗАДАЧЕ ПЕРСОНАЛИЗИРОВАННЫХ РЕКОМЕНДАЦИЙ: РЕАЛИЗАЦИЯ И ОЦЕНКА НА ОСНОВЕ ДАННЫХ С ПЛАТФОРМЫ «ШИКИМОРИ»
Saved in:
| Title: | МУЛЬТИМОДАЛЬНАЯ НЕЙРОННАЯ КОЛЛАБОРАТИВНАЯ ФИЛЬТРАЦИЯ В ЗАДАЧЕ ПЕРСОНАЛИЗИРОВАННЫХ РЕКОМЕНДАЦИЙ: РЕАЛИЗАЦИЯ И ОЦЕНКА НА ОСНОВЕ ДАННЫХ С ПЛАТФОРМЫ «ШИКИМОРИ» |
|---|---|
| Publisher Information: | Вестник науки, 2025. |
| Publication Year: | 2025 |
| Subject Terms: | эмбеддинги, recommender system, нейронная коллаборативная фильтрация, machine learning, neural collaborative filtering, мультимодальная модель, рекомендательная система, машинное обучение, multimodal model, embeddings |
| Description: | В статье рассматривается разработка и экспериментальная оценка мультимодальной рекомендательной системы на основе нейронной коллаборативной фильтрации (Neural Collaborative Filtering, NCF) на основе данных с платформы «Шикимори». В отличие от классических моделей, учитывающих только взаимодействия вида «пользователь–объект–оценка», предложенный подход интегрирует дополнительные источники информации: категориальные метаданные, текстовые описания и визуальные признаки аниме-контента. Описаны архитектурные особенности модели, включая использование компонентов GMF и MLP, а также методы включения мультимодальных эмбеддингов в структуру модели. Проведен сравнительный анализ качества рекомендаций по метрикам Precision@N, Recall@N и nDCG@N. Результаты экспериментов показывают, что включение визуальных мультимодальных признаков может привести к улучшению качества рекомендаций по метрике nDCG@N. Paper presents the development and experimental evaluation of a multimodal recommendation system based on Neural Collaborative Filtering (NCF), using data from the Shikimori platform. Unlike classical models that rely solely on user–item–rating interactions, the proposed approach integrates additional sources of information: categorical metadata, textual descriptions, and visual features of anime content. The architecture of the model is described, including the use of GMF and MLP components, as well as methods for incorporating multimodal embeddings into the model structure. A comparative analysis of recommendation quality is conducted using Precision@N, Recall@N, and nDCG@N metrics. Experimental results show that the inclusion of visual multimodal features can lead to an improvement in recommendation quality according to the nDCG@N metric. |
| Document Type: | Research |
| DOI: | 10.24412/2712-8849-2025-586-1444-1456 |
| Rights: | CC BY |
| Accession Number: | edsair.doi...........8d82286610c331e4be8e115ad73d5fa7 |
| Database: | OpenAIRE |
Nájsť tento článok vo Web of Science | Abstract: | В статье рассматривается разработка и экспериментальная оценка мультимодальной рекомендательной системы на основе нейронной коллаборативной фильтрации (Neural Collaborative Filtering, NCF) на основе данных с платформы «Шикимори». В отличие от классических моделей, учитывающих только взаимодействия вида «пользователь–объект–оценка», предложенный подход интегрирует дополнительные источники информации: категориальные метаданные, текстовые описания и визуальные признаки аниме-контента. Описаны архитектурные особенности модели, включая использование компонентов GMF и MLP, а также методы включения мультимодальных эмбеддингов в структуру модели. Проведен сравнительный анализ качества рекомендаций по метрикам Precision@N, Recall@N и nDCG@N. Результаты экспериментов показывают, что включение визуальных мультимодальных признаков может привести к улучшению качества рекомендаций по метрике nDCG@N.<br />Paper presents the development and experimental evaluation of a multimodal recommendation system based on Neural Collaborative Filtering (NCF), using data from the Shikimori platform. Unlike classical models that rely solely on user–item–rating interactions, the proposed approach integrates additional sources of information: categorical metadata, textual descriptions, and visual features of anime content. The architecture of the model is described, including the use of GMF and MLP components, as well as methods for incorporating multimodal embeddings into the model structure. A comparative analysis of recommendation quality is conducted using Precision@N, Recall@N, and nDCG@N metrics. Experimental results show that the inclusion of visual multimodal features can lead to an improvement in recommendation quality according to the nDCG@N metric. |
|---|---|
| DOI: | 10.24412/2712-8849-2025-586-1444-1456 |