Застосування графових баз даних і Explainable AI у створенні рекомендаційної системи з гібридним способом фільтрації

Simple item page
dc.contributor.authorГлибовець, Миколаuk_UA
dc.contributor.authorСидорова, Єлізавєтаuk_UA
dc.date.accessioned2026-02-04T07:40:56Z
dc.date.available2026-02-04T07:40:56Z
dc.date.issued2025
dc.descriptionThe 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.en_US
dc.description.abstractУ 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.uk_UA
dc.identifier.citation111uk_UA
dc.identifier.issn2617-3808
dc.identifier.issn2617-7323
dc.identifier.urihttps://doi.org/10.18523/2617-3808.2025.8.43-49
dc.identifier.urihttps://ekmair.ukma.edu.ua/handle/123456789/38252
dc.language.isoukuk_UA
dc.relation.sourceНаукові записки НаУКМА. Комп'ютерні наукиuk_UA
dc.statusfirst publisheduk_UA
dc.subjectрекомендаційна системаuk_UA
dc.subjectграфова нейронна мережаuk_UA
dc.subjectгетерогенний графuk_UA
dc.subjectгібридна фільтраціяuk_UA
dc.subjectмультимодальні даніuk_UA
dc.subjectперсоналізаціяuk_UA
dc.subjectExplainable AIen_US
dc.subjectNeo4jen_US
dc.subjectPythonen_US
dc.subjectстаттяuk_UA
dc.subjectrecommendation systemen_US
dc.subjectgraph neural networken_US
dc.subjectheterogeneous graphen_US
dc.subjecthybrid filteringen_US
dc.subjectexplainable AIen_US
dc.subjectpersonalizationen_US
dc.subjectmultimodal embeddingsen_US
dc.subjectNeo4jen_US
dc.subjectPythonen_US
dc.titleЗастосування графових баз даних і Explainable AI у створенні рекомендаційної системи з гібридним способом фільтраціїuk_UA
dc.title.alternativeGraph-based multimodal recommendation system with Explainable AIen_US
dc.typeArticleuk_UA
Files
Original bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
Hlybovets_Sydorova_Zastosuvannia_hrafovykh_baz_danykh_i_Explainable_AI_u_stvorenni_rekomendatsiinoi_systemy_z_hibrydnym_sposobom_filtratsii.pdf
Size:
2.64 MB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed upon to submission
Description:
Download
Collections
Том 8