АРХІТЕКТУРА ТА ОПТИМІЗАЦІЯ РЕКОМЕНДАЦІЙНОГО МОДУЛЯ ЕЛЕКТРОННОЇ БІБЛІОТЕКИ ЗАКЛАДУ ВИЩОЇ ОСВІТИ В УМОВАХ ОБМЕЖЕНИХ ОБЧИСЛЮВАЛЬНИХ РЕСУРСІВ
DOI:
https://doi.org/10.34185/1562-9945-5-166-2026-16Ключові слова:
алгоритм колаборативної фільтрації, прогнозування, оптимізація обчислень, рекомендаційна система, часове згасання, електронна бібліотека, MySQL, RMSEАнотація
Робота присвячена розробці та архітектурній оптимізації рекомендаційного модуля для електронних бібліотек закладів вищої освіти, що функціонують в умовах обмежених обчислювальних ресурсів і не мають можливості використовувати ресурсомісткі нейромережеві підходи. Застосовано метод колаборативної фільтрації з інтеграцією експоненційної функції часового згасання. Цей механізм адаптує профіль студента до швидкої зміни інтересів у межах навчальних семестрів. Для подолання квадратичної обчислювальної складності алгоритму розроблено оптимізовану архітектуру реляційної бази даних (на стеку PHP/MySQL). Життєвий цикл формування рекомендацій розділено на дві ізольовані фази: асинхронний фоновий перерахунок матриць та синхронне зчитування готових пропозицій. Емпіричне моделювання на реальній вибірці (до 1350 об'єктів) підтвердило високу стійкість алгоритму до зміни розмірності даних. Доведено, що врахування фактора часового згасання дозволяє знизити середньоквадратичну похибку (RMSE) на понад 42%. Запропонована архітектурна оптимізація забезпечила час відгуку системи на рівні логарифмічної складності для кінцевого користувача. Обґрунтовано доцільність використання базових модифікованих алгоритмів колаборативної фільтрації як компромісного рішення між точністю та обчислювальною вартістю для локальних освітніх платформ порівняно з моделями глибинного навчання.
Посилання
1. Tarasov, O., Vasylieva, L., Turlakova, S., Sahaida, P., & Karpov, A. (2023). Improving the quality of the relevance of the search for scientific publications based on a combination of ranking methods. In Proceedings of the 11-th International Conference "Information Control Systems & Technologies" (CEUR Workshop Proceedings, Vol. 3513). CEUR-WS.org. https://ceur-ws.org/Vol-3513/paper36.pdf
2. Mitreva, E., Paneva-Marinova, D., Georgiev, V., Nikolova, A., & Pavlov, R. (2026). A hy-brid approach for personalized and intelligent content recommendation in digital libraries. Applied Sciences, 16(6), Article 2756. https://doi.org/10.3390/app16062756
3. Tarasov, O., Sahaida, P., Podlesny, S., & Vasylieva, L. (2022). Categorical-ontological approach to information support of educational activities. SHS Web of Conferences, 142, Arti-cle 03005. https://doi.org/10.1051/shsconf/202214203005
4. Krishnamoorthi, S., & Shyam, G. K. (2023). Deep learning-based recommender systems—A systematic review and future perspective. In V. Bhateja, F. Carroll, J. M. R. S. Tavares, S. S. Sengar, & P. Peer (Eds.), Intelligent Data Engineering and Analytics. FICTA 2023 (Vol. 371). Springer. https://doi.org/10.1007/978-981-99-6706-3_33
5. Scrivano, A. (2025). A comparative study of recommender systems under Big Data con-straints [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2504.08457
6. Hartatik, Heryawan, L., & Pulungan, R. (2025). Trust decay-based temporal learning for dynamic recommender systems with concept drift adaptation. IEEE Access, 13, 110955-110971. https://doi.org/10.1109/ACCESS.2025.3583186
7. Ivokhin, Ye., & Sheliakin, H. (2024). Kolaboratyvna filtratsiia yak odyn iz osnovnykh me-todiv rekomendatsii kontentu: osnovni problemy ta sposoby yikh vyrishennia [Collaborative filtering as one of the main methods of content recommendation: main problems and ways to solve them]. Modern Engineering and Innovative Technologies, 1(34-01), 94–105. https://doi.org/10.30890/2567-5273.2024-34-00-013 [in Ukrainian]
8. Wang, Y. (2025). Time-weighted collaborative filtering recommendation algorithm based on large language models. In P. T. Mathiopoulos & Y. Feng (Eds.), Sixth International Con-ference on Signal Processing and Computer Science (SPCS 2025) (p. 59). https://doi.org/10.1117/12.3089553
9. Khabarlak, K., & Shyriaiev, A. (2025). Porivnialnyi analiz modelei mashynnoho navchan-nia dlia pobudovy systemy rekomendatsii z dynamichnym perenavchanniam [Comparative analysis of machine learning models for building a recommendation system with dynamic re-training]. Information Technology: Computer Science, Software Engineering and Cyber Secu-rity, (4), 267–273. https://doi.org/10.32782/it/2025-4-31 [in Ukrainian]
10. Singhal, A. (2001). Modern information retrieval: A brief overview. Bulletin of the IEEE Computer Society Technical Committee on Data Engineering, 24(4), 35–43. https://www.cs.columbia.edu/~gravano/Qual/Papers/singhal.pdf
11. Alpert, S. I. (2019). Osnovni miry podibnosti ta novi pidkhody do yikh zastosuvannia pry klasyfikuvanni hiperspektralnykh kosmichnykh zobrazhen [Basic similarity measures and new approaches to their application in classification of hyperspectral space images]. Mate-matychni Mashyny i Systemy, (1), 143–151. https://www.immsp.kiev.ua/publications/articles/2019/2019_1/01_2019_Alpert.pdf [in Ukrainian]
12. Novotný, V. (2018). Implementation notes for the soft cosine measure. In The 27th ACM International Conference on Information and Knowledge Management (pp. 1639–1642). As-sociation for Computing Machinery. https://doi.org/10.1145/3269206.3269317
Завантаження
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2026 Системні технології
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
