Бұл мақалада Alternating Least Squares (ALS) алгоритміне негізделген коллаборативті сүзгілеуді және элементтердің TF-IDF көрінісінен алынған мазмұндық сигналды біріктіретін гибридті ұсыныс моделінің жобасы, іске асырылуы мен эмпирикалық бағасы ұсынылады. Екі сигнал пайдаланушы белсенділігіне бейімделген α(u) салмақтау арқылы біріктіріледі: оқыту тарихы қысқа болған кезде мазмұндық сигналға, ал өзара әрекеттесулер жеткілікті болған жағдайда коллаборативті сигналға көбірек салмақ беріледі. Алынған баға пайдаланушы үшін үміткерлер пулын құруға қолданылады, ол әрі қарай 10 позициядан тұратын қорытынды тізімді әртараптандыру үшін Maximal Marginal Relevance (MMR) алгоритмімен қайта реттеледі. Тәжірибелер Amazon Reviews 2023 жиынтығының Video Games ішкі жиынында жүргізілді (5-core сүзгілеуден кейін 94 762 пайдаланушы, 25 612 элемент және 814 586 өзара әрекеттесу). Бағалау тест бөлігінде кем дегенде бір релевантты элементі бар 500 пайдаланушыдан тұратын бекітілген іріктемеде орындалды. Эмпирикалық жолмен таңдалған λ = 0,5 мәнінде ұсынылған Hybrid+MMR моделі базалық ALS үлгісінен Парето бойынша басым болады: NDCG@10 көрсеткіші 0,0240-тан 0,0281-ге дейін (+17%), HR@10 көрсеткіші 0,078-ден 0,082-ге дейін (+5%) өседі, ал каталог қамтуы 1,24%-дан 8,30%-ға дейін артады, яғни 6,7 есе үлкейеді. Санаттар бойынша талдау жақсарудың салқын (5–10 өзара әрекеттесу), жылы және белсенді пайдаланушылардың бәрі үшін сақталатынын растайды. λ бойынша сезімталдықты зерттеу дәлдік қисығы ойыс екенін және ішкі жалғыз максимумы болатынын көрсетеді, бұл λ-ны априорлы таңдаумен бекітудің орнына реттелетін гиперпараметр ретінде қарастыруды негіздейді.

ИБРАГИМ Д.А.

Магистрант, Astana IT University, Астана қ., Қазақстан.

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

ЖУМАДИЛЛАЕВА А.К.

Техника ғылымдарының кандидаты, қауымдастырылған профессор, Ақпараттық технологиялар және инженерия мектебі, Astana IT University, Астана қ., Қазақстан.

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

ұсыныс жүйелері, гибридті ұсыныс, коллаборативті сүзгілеу, мазмұндық сүзгілеу, MMR әртараптандыру, салқын бастау мәселесі, каталог қамтуы, Amazon Reviews 2023