Застосування графових баз даних і Explainable AI у створенні рекомендаційної системи з гібридним способом фільтрації
Loading...
Date
2025
Authors
Глибовець, Микола
Сидорова, Єлізавєта
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
У дослідженні описано побудову рекомендаційної системи з гібридним способом фільтрації, що використовує гетерогенні графові структури, нейронні мережі та Explainable AI заради підвищення персоналізації та прозорості рішень. Базова методологія оптимізації рекомендацій ґрунтується на сучасних методах машинного навчання, які здатні ефективно моделювати залежності між об’єктами. Предметна область задачі охоплює мультимедійні рекомендації, зосереджені на персоналізованому підході. Представлена архітектура системи дає можливість ефективно обробляти множину вузлів різних типів і зв’язків (набір взаємодій, належність елементів до жанру, подібність), що відображають комплексні ознаки поведінкових і контекстуальних даних. Результати експериментального тестування підтвердили ефективність запропонованого підходу: система демонструє високі показники персоналізації, новизни рекомендацій та здатності виявляти подібних користувачів.
Description
The article presents the development process of a hybrid recommendation system (RS) based on heterogeneous graph data structures and graph neural networks (GNN), incorporating Explainable AI (XAI) approaches. The target domain is personalized multimedia recommendations, encompassing books, movies, and games, characterized by diverse item modalities and high demand for personalization. The system architecture is produced upon a heterogeneous graph G=(V, E), where nodes and edges represent different entity types (users, items, genres) and relationships (interactions, similarity, genre associations). Multimodal embeddings are defined by using textual features (via Sentence-BERT), visual data (via ResNet-50), and categorical labels (via one-hot genre encoding). These embeddings are used to generate similarity-based connections across item types and users. For recommendations, a neural model based on the PyTorch Geometric framework is trained with negative sampling. The model predicts user-item relevance and generates recommendations. To support clarity, XAI modules provide explanations via gradient-based influence analysis, shared interactions, and demographic attribute comparison. A set of reference-free evaluation metrics is used, including Intra-List Similarity, Novelty, User Similarity, Attribute Alignment, and Coverage. Experimental results demonstrate the model’s capability to generate novel, diverse, and personalized recommendations while offering interpretable justifications. The implementation is based on Python with modular components for data preprocessing, training, evaluation, and explanation outcomes, and leverages the Neo4j graph database for storage and analysis.
Keywords
рекомендаційна система, графова нейронна мережа, гетерогенний граф, гібридна фільтрація, мультимодальні дані, персоналізація, Explainable AI, Neo4j, Python, стаття, recommendation system, graph neural network, heterogeneous graph, hybrid filtering, explainable AI, personalization, multimodal embeddings, Neo4j, Python
Citation
Глибовець М. М. Застосування графових баз даних і Explainable AI у створенні рекомендаційної системи з гібридним способом фільтрації / Глибовець М. М., Сидорова Є. О. // Наукові записки НаУКМА. Комп'ютерні науки. - 2025. - Т. 8. - С. 43-49. - https://doi.org/10.18523/2617-3808.2025.8.43-49