В данной статье представлены проектирование, реализация и эмпирическая оценка гибридной рекомендательной модели, объединяющей коллаборативную фильтрацию на основе Alternating Least Squares (ALS) с контентной компонентой, построенной на TF-IDF-представлениях предметов. Два сигнала объединяются посредством адаптивного взвешивания α(u), зависящего от активности пользователя: при коротком тренировочном профиле больший вес получает контентный сигнал, при достаточном количестве взаимодействий — коллаборативный. Итоговый счет используется для построения персонального пула кандидатов, который далее при упорядочивается алгоритмом Maximal Marginal Relevance (MMR) для диверсификации финальной выдачи из 10 позиций. Эксперименты проведены на подмножестве Video Games набора Amazon Reviews 2023 (94 762 пользователя, 25 612 предметов, 814 586 взаимодействий после 5-core фильтрации). Оценка выполнялась на фиксированной выборке из 500 пользователей с хотя бы одним релевантным предметом в тестовой части. При эмпирически подобранном значении λ = 0,5 предложенная модель Hybrid+MMR Парето-доминирует над базовой моделью ALS: NDCG@10 увеличивается с 0,0240 до 0,0281 (+17%), HR@10 — с 0,078 до 0,082 (+5%), а покрытие каталога — с 1,24% до 8,30%, то есть в 6,7 раза. Категорийный анализ подтверждает, что улучшение сохраняется для холодных пользователей (5–10 взаимодействий), тёплых и активных пользователей. Анализ чувствительности по λ показывает, что кривая точности вогнута и имеет один внутренний максимум, что обосновывает подход к λ как к настраиваемому гипер параметру, а не как к величине, фиксируемой на основе априорных соображений.

ИБРАГИМ Д.А.

Магистрант, Astana IT University, г. Астана, Казахстан.

E-mail: 242888@astanait.edu.kz, https://orcid.org/0009-0009-4830-1957

ЖУМАДИЛЛАЕВА А.К.

Кандидат технических наук, ассоциированный профессор, Школа программной инженерии, Astana IT University, г. Астана, Казахстан.

E-mail: Ainur.Zhumadillayeva@astanait.edu.kz, https://orcid.org/0000-0003-1042-0415

1. Roy D., Dutta M. A systematic review and research perspective on recommender systems. Journal of Big Data. 2022. Vol. 9, No. 1. Art. 59. DOI: 10.1186/s40537-022-00592-5. DOI: https://doi.org/10.1186/s40537-022-00592-5
2. Duricic T., Kowald D., Lacic E., Lex E. Beyond-accuracy: a review on diversity, serendipity, and fairness in recommender systems based on graph neural networks. Frontiers in Big Data. 2023. Vol. 6. Art. 1251072. DOI: 10.3389/fdata.2023.1251072. DOI: https://doi.org/10.3389/fdata.2023.1251072
3. Raza S., Rahman M., Kamawal S., Toroghi A., Raval A., Navah F., Kazemeini A. A comprehensive review of recommender systems: transitioning from theory to practice. arXiv preprint. 2024. arXiv:2407.13699. DOI: 10.48550/arXiv.2407.13699.
4. Klimashevskaia A., Jannach D., Elahi M., Trattner C. A survey on popularity bias in recommender systems. User Modeling and User-Adapted Interaction. 2024. Vol. 34, No. 5. P. 1777–1834. DOI: 10.1007/s11257-024-09406-0. DOI: https://doi.org/10.1007/s11257-024-09406-0
5. Sami A., El Adrousy W., Sarhan S., Elmougy S. A deep learning based hybrid recommendation model for internet users. Scientific Reports. 2024. Vol. 14. Art. 28781. DOI: 10.1038/s41598-024-79011-z. DOI: https://doi.org/10.1038/s41598-024-79011-z
6. Bodduluri K.C., Palaniappan S., Kumar P.M.R., Selvarajan S. Hybrid recommender systems: survey and taxonomy. ACM Computing Surveys. 2024. Vol. 56, No. 10. P. 1–42. DOI: 10.1145/3652301. DOI: https://doi.org/10.1145/3661821
7. Liu Y., Yang J., Sun Y., Xu K., Chua T.-S. A review of deep learning and large language models for cold start problem in recommender systems. WIREs Data Mining and Knowledge Discovery. 2026. Vol. 16, No. 1. Art. e70068. DOI: 10.1002/widm.70068. DOI: https://doi.org/10.1002/widm.70068
8. Chen L., Wu L., Hong R., Zhang K., Wang M. Revisiting recommender systems: an investigative survey. Neural Computing and Applications. 2025. Vol. 37, No. 3. P. 1245–1278. DOI: 10.1007/s00521-024-10828-5. DOI: https://doi.org/10.1007/s00521-024-10828-5
9. Carbonell J., Goldstein J. The use of MMR, diversity-based reranking for reordering documents and producing summaries. Proceedings of the 21st Annual International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR '98). New York: ACM, 1998. P. 335–336. DOI: 10.1145/290941.291025. DOI: https://doi.org/10.1145/290941.291025
10. Kaminskas M., Bridge D. Diversity, serendipity, novelty, and coverage: a survey and empirical analysis of beyond-accuracy objectives in recommender systems. ACM Transactions on Interactive Intelligent Systems. 2017. Vol. 7, No. 1. Art. 2. DOI: 10.1145/2926720. DOI: https://doi.org/10.1145/2926720
11. Farzaneh M., Verma A. Enhancing RAG with Maximum Marginal Relevance (MMR) in Azure AI Search [Electronic resource]. 2024. URL: https://farzzy.hashnode.dev/enhancing-rag-with-maximum-marginal-relevance-mmr-in-azure-ai-search (accessed: 15.04.2026).
12. Hou Y., Li J., He Z., Yan A., Chen X., McAuley J. Bridging language and items for retrieval and recommendation. arXiv preprint. 2024. arXiv:2403.03952. DOI: 10.48550/arXiv.2403.03952.
13. Hu Y., Koren Y., Volinsky C. Collaborative filtering for implicit feedback datasets. Proceedings of the 8th IEEE International Conference on Data Mining (ICDM 2008). Pisa: IEEE, 2008. P. 263–272. DOI: 10.1109/ICDM.2008.22. DOI: https://doi.org/10.1109/ICDM.2008.22
14. Bhattacharya S., Ghosh R. SMMR: sampling-based MMR reranking for faster, more diverse, and balanced recommendations and retrieval. Proceedings of the 48th International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR '25). Padua: ACM, 2025. P. 2512–2521. DOI: 10.1145/3726302.3730250. DOI: https://doi.org/10.1145/3726302.3730250
15. Chen Z., Gan W., Wu J., Hu K., Lin H. Data scarcity in recommendation systems: a survey. ACM Transactions on Recommender Systems. 2025. Vol. 3, No. 3. P. 1–31. DOI: 10.1145/3686112. DOI: https://doi.org/10.1145/3639063
16. Jangid M., Kumar R. Deep learning approaches to address cold start and long tail challenges in recommendation systems: a systematic review. Multimedia Tools and Applications. 2025. Vol. 84, No. 5. P. 2293–2325. DOI: 10.1007/s11042-024-19871-9. DOI: https://doi.org/10.1007/s11042-024-20262-3
17. López-Ávila A., Du J. A survey on large language models in multimodal recommender systems. arXiv preprint. 2025. arXiv:2505.09777. DOI: 10.48550/arXiv.2505.09777.
18. Zhao Y., Wang Y., Liu Y., Cheng X., Aggarwal C., Derr T. Fairness and diversity in recommender systems: a survey. ACM Transactions on Intelligent Systems and Technology. 2024. Vol. 15, No. 5. Art. 97. DOI: 10.1145/3664928. DOI: https://doi.org/10.1145/3664928

рекомендательные системы, гибридная рекомендация, коллаборативная фильтрация, контентная фильтрация, диверсификация MMR, проблема холодного старта, покрытие каталога, Amazon Reviews 2023