En
Register Log in

List of publications on a keyword: «рекомендательные системы»

  • Personalizatsiia pol'zovatel'skogo kontenta na osnove profilia predpochtenii: realizatsiia v veb i mobil'nykh prilozheniiakh

    Conference Paper
    Digitalization in the education system: best practices and implementation practices
    Authors:
    Semen S. Boguslavskii, Daniil I. Voinov
    Work direction:
    Опыт использования современных информационно-коммуникационных технологий
    Abstract:
    В статье рассматриваются архитектурные и алгоритмические подходы к персонализации пользовательского контента на основе явно заданного профиля предпочтений. Проведён сравнительный анализ реализации механизма персонализации в двух учебных проектах: веб-приложении для совместного подбора контента (стек FastAPI, React, PostgreSQL, Redis) и мобильном приложении для мониторинга показателей здоровья (Flutter, Firebase). Описаны структуры данных пользовательского профиля, алгоритмы фильтрации и ранжирования контента, а также механизм онбординга как инструмент первичного сбора предпочтений. Показано, что хранение профиля на стороне сервера с кэшированием в Redis обеспечивает персонализацию, согласованную между клиентскими платформами, тогда как локальное хранение профиля во Flutter позволяет работать в офлайн-режиме без потери персонального контекста.
    Keywords:
    Go 

  • The principle of operation of recommender systems and their impact on people using YouTube as an example

    Conference Paper
    Relevant issues of management, economics and economic security
    Authors:
    Mark I. Tagirov, Aleksandr A. Ushakov, Olesia V. Tereshchenko
    Work direction:
    Менеджмент и его разновидности, диверсификация, маркетинг, ценообразование и логистика
    Abstract:
    This article analyzes YouTube's recommendation system and explores its architecture, which is based on a two-stage machine learning model, taking into account the implementation of self-learning methods, and its evolution in 2025. The article focuses on identifying and systematizing the risks associated with content personalization, such as the formation of "information bubbles," the impact on user behavior, and the promotion of radical content. Recommendations for mitigating the identified negative effects on users and developers are presented, based on current scientific publications and statistics.
    Keywords:
    artificial intelligence, machine learning, personalization, algorithms, addiction, YouTube, recommender systems, information bubble, large language models
    Go