Рекомендаційні алгоритми у цифрових платформах аграрних знань

Abstract

У роботі досліджено застосування алгоритмів колаборативної фільтрації для створення рекомендаційних систем у цифрових платформах аграрних знань. Проведено порівняльний аналіз дев'яти методів: від базових (глобальне середнє, baseline оцінки) до складних методів матричної факторизації (SVD, SVD++, NMF). Виконано оптимізацію гіперпараметрів SVD через grid search з п'ятикратною крос-валідацією на датасеті MovieLens 100K. Найкращий результат показав оптимізований SVD з RMSE 0.8952 та MAE 0.7041, що на 20.5% краще за baseline метод. Обґрунтовано можливість адаптації розробленої системи для персоналізації освітнього контенту та аграрних рекомендацій./The paper investigates the application of collaborative filtering algorithms for creating recommendation systems in digital agricultural knowledge platforms. A comparative analysis of nine methods was conducted: from basic approaches (global mean, baseline estimates) to complex matrix factorization methods (SVD, SVD++, NMF). SVD hyperparameters were optimized through grid search with five-fold crossvalidation on the MovieLens 100K dataset. The best result was achieved by optimized SVD with RMSE 0.8952 and MAE 0.7041, representing a 20.5% improvement over the baseline method. The possibility of adapting the developed system for personalization of educational content and agricultural recommendations is substantiated.