Анализ и оценка алгоритмов персонализации взаимодействия с пользователем для разработки социальной сети

Целью данной работы является анализ различных подходов к персонализации, таких как рекомендательные системы и алгоритмы машинного обучения, а также оценка точности данных алгоритмов. Описаны подходы к персонализации на основе рекомендательных систем и методов машинного обучения, а также рассматривается применение искусственного интеллекта для повышения точности рекомендаций. Представлены три основных алгоритма рекомендательных систем: коллаборативная фильтрация, контентная фильтрация и гибридные модели. Основным методом персонализации выбрана коллаборативная фильтрация с использованием Python-библиотеки Surprise, включающей алгоритмы Singular Value Decomposition, Slope One и K-Nearest Neighbors. После сравнительного анализа метрик Root Mean Squared Error и Mean Absolute Error было установлено, что алгоритм k-ближайших соседей показал лучшие результаты, что сделало его предпочтительным для дальнейшей реализации. Итоговая модель, обученная на полном наборе данных, показала хорошие показатели точности и имеет потенциал для практического использования в реальных продуктах. Представленные результаты могут быть полезны разработчикам социальных сетей при выборе оптимальных алгоритмов для улучшения пользовательского опыта, а также для дальнейших исследований в области персонализации и рекомендательных систем.