Інтелектуальна система прогнозування поведінки користувачів на основі методів підкріплювального навчання

Abstract

Об’єкт дослідження – процес прогнозування поведінки користувачів у рекомендаційних системах. Предмет дослідження – методи глибокого навчання з підкріпленням для формування персоналізованих рекомендацій. Мета роботи – підвищення ефективності прогнозування поведінки користувачів шляхом розробки інтелектуальної системи на основі методу Double Deep Q-Network. Методи дослідження: теоретичний аналіз, математичне моделювання (MDP), методи машинного навчання (Deep RL), експериментальний метод. Результати та новизна. Розроблено архітектуру інтелектуальної системи, що враховує динаміку інтересів користувача. Запропоновано модифіковану функцію винагороди. Практичне значення. Створено програмний продукт мовою Python (TensorFlow) для генерації рекомендацій фільмів. Експериментально підтверджено здатність системи адаптуватися до вподобань користувачів. Сфера застосування – рекомендаційні сервіси та стрімінгові платформи. Висновки. Використання глибокого навчання з підкріпленням дозволяє ефективно вирішувати задачі рекомендації в динамічних середовищах.