Гiбридний метод побудови секвенцiальних рекомендацiйних систем, заснований на автоматичному синтезi графiв знань та механiзмi уваги
Sequential personalized recommendations, such as next best offer prediction or modeling demand evolution for next basket prediction, remain a key challenge for businesses. In recent years, deep learning models have been applied to solve these problems and demonstrated high feasibility. With the intr...
Saved in:
| Date: | 2025 |
|---|---|
| Main Authors: | , |
| Format: | Article |
| Language: | English |
| Published: |
The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute"
2025
|
| Subjects: | |
| Online Access: | http://journal.iasa.kpi.ua/article/view/329313 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Journal Title: | System research and information technologies |
Institution
System research and information technologies| _version_ | 1856543612541599744 |
|---|---|
| author | Androsov, Dmytro Nedashkovskaya, Nadezhda |
| author_facet | Androsov, Dmytro Nedashkovskaya, Nadezhda |
| author_sort | Androsov, Dmytro |
| baseUrl_str | |
| collection | OJS |
| datestamp_date | 2025-05-20T17:56:07Z |
| description | Sequential personalized recommendations, such as next best offer prediction or modeling demand evolution for next basket prediction, remain a key challenge for businesses. In recent years, deep learning models have been applied to solve these problems and demonstrated high feasibility. With the introduction of graph-based deep learning, it has become easier to perform collaborative filtering and link prediction tasks. The current paper proposes a new method of building a recommender system using a graph representation learning framework in combination with deep neural networks for sequence-to-sequence modeling and statistical learning for sequence-to-graph mapping. Benchmarking model performance on an online retail store visits dataset provides evidence of the method’s ranking capabilities. |
| first_indexed | 2025-07-17T10:28:43Z |
| format | Article |
| id | journaliasakpiua-article-329313 |
| institution | System research and information technologies |
| language | English |
| last_indexed | 2025-09-17T09:26:02Z |
| publishDate | 2025 |
| publisher | The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute" |
| record_format | ojs |
| spelling | journaliasakpiua-article-3293132025-05-20T17:56:07Z The hybrid sequential recommender system synthesis method based on attention mechanism with automatic knowledge graph construction Гiбридний метод побудови секвенцiальних рекомендацiйних систем, заснований на автоматичному синтезi графiв знань та механiзмi уваги Androsov, Dmytro Nedashkovskaya, Nadezhda рекомендацiйна система графова нейронна мережа подання графiв recommender system graph neural network graph embeddings Sequential personalized recommendations, such as next best offer prediction or modeling demand evolution for next basket prediction, remain a key challenge for businesses. In recent years, deep learning models have been applied to solve these problems and demonstrated high feasibility. With the introduction of graph-based deep learning, it has become easier to perform collaborative filtering and link prediction tasks. The current paper proposes a new method of building a recommender system using a graph representation learning framework in combination with deep neural networks for sequence-to-sequence modeling and statistical learning for sequence-to-graph mapping. Benchmarking model performance on an online retail store visits dataset provides evidence of the method’s ranking capabilities. Послiдовнi персоналiзованi рекомендацiї, такi як прогнозування наступної найкращої пропозицiї або моделювання еволюцiї попиту для прогнозування наповнення кошика покупок, залишаються ключовим завданням для бiзнесу. Останнiм часом, задля вирiшення цих проблем застосовувалися ланцюги Маркова та моделi глибокого навчання, що прогнозували послiдовностi взаємодiї користувачiв із товарами, демонстрували високу ефективнiсть. Проте ключовим недолiком таких моделей було неунiфiковане подання наборiв даних для довгострокового та короткострокового прогнозуванння вподобань. З появою архiтектур глибокого навчання на графах та можливостi їх застосування одночасно в задачах колаборативної фiльтрацiї та прогнозування зв’язкiв мiж об’єктами, розвиток рекомендацiних систем отримав новий поштовх. Пропоновано новий метод розроблення гiбридних рекомендацiйних систем, який поєднує навчання подань графiв з глибокими нейронними мережами для моделювання та прогнозування послiдовностей, з метою розв’язання задачi видачi послiдовних персоналiзованих рекомендацiй. Отриманi результати оцiнювання продуктивностi моделi на основi набору даних вiдвiдувань та купівель в iнтернет-магазинi доводять можливість ранжування та потенцiал для впровадження бiзнесами у сферi роздрiбної торгiвлi. The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute" 2025-03-28 Article Article application/pdf http://journal.iasa.kpi.ua/article/view/329313 10.20535/SRIT.2308-8893.2025.1.01 System research and information technologies; No. 1 (2025); 7-18 Системные исследования и информационные технологии; № 1 (2025); 7-18 Системні дослідження та інформаційні технології; № 1 (2025); 7-18 2308-8893 1681-6048 en http://journal.iasa.kpi.ua/article/view/329313/318892 |
| spellingShingle | рекомендацiйна система графова нейронна мережа подання графiв Androsov, Dmytro Nedashkovskaya, Nadezhda Гiбридний метод побудови секвенцiальних рекомендацiйних систем, заснований на автоматичному синтезi графiв знань та механiзмi уваги |
| title | Гiбридний метод побудови секвенцiальних рекомендацiйних систем, заснований на автоматичному синтезi графiв знань та механiзмi уваги |
| title_alt | The hybrid sequential recommender system synthesis method based on attention mechanism with automatic knowledge graph construction |
| title_full | Гiбридний метод побудови секвенцiальних рекомендацiйних систем, заснований на автоматичному синтезi графiв знань та механiзмi уваги |
| title_fullStr | Гiбридний метод побудови секвенцiальних рекомендацiйних систем, заснований на автоматичному синтезi графiв знань та механiзмi уваги |
| title_full_unstemmed | Гiбридний метод побудови секвенцiальних рекомендацiйних систем, заснований на автоматичному синтезi графiв знань та механiзмi уваги |
| title_short | Гiбридний метод побудови секвенцiальних рекомендацiйних систем, заснований на автоматичному синтезi графiв знань та механiзмi уваги |
| title_sort | гiбридний метод побудови секвенцiальних рекомендацiйних систем, заснований на автоматичному синтезi графiв знань та механiзмi уваги |
| topic | рекомендацiйна система графова нейронна мережа подання графiв |
| topic_facet | рекомендацiйна система графова нейронна мережа подання графiв recommender system graph neural network graph embeddings |
| url | http://journal.iasa.kpi.ua/article/view/329313 |
| work_keys_str_mv | AT androsovdmytro thehybridsequentialrecommendersystemsynthesismethodbasedonattentionmechanismwithautomaticknowledgegraphconstruction AT nedashkovskayanadezhda thehybridsequentialrecommendersystemsynthesismethodbasedonattentionmechanismwithautomaticknowledgegraphconstruction AT androsovdmytro gibridnijmetodpobudovisekvencialʹnihrekomendacijnihsistemzasnovanijnaavtomatičnomusintezigrafivznanʹtamehanizmiuvagi AT nedashkovskayanadezhda gibridnijmetodpobudovisekvencialʹnihrekomendacijnihsistemzasnovanijnaavtomatičnomusintezigrafivznanʹtamehanizmiuvagi AT androsovdmytro hybridsequentialrecommendersystemsynthesismethodbasedonattentionmechanismwithautomaticknowledgegraphconstruction AT nedashkovskayanadezhda hybridsequentialrecommendersystemsynthesismethodbasedonattentionmechanismwithautomaticknowledgegraphconstruction |