ФОРМИРОВАНИЕ ТРЕБОВАНИЙ К АНАЛИТИЧЕСКОМУ И МАТЕМАТИЧЕСКОМУ ОБЕСПЕЧЕНИЮ РЕКОМЕНДАТЕЛЬНОЙ СИСТЕМЫ ВЫБОРА  УЧЕБНЫХ НАПРАВЛЕНИЙ ДЛЯ АБИТУРИЕНТОВ

Павел Валентинович Молчанов; Дмитрий Сергеевич Смирнов

doi:10.6060//ivecofin.2025642.725

Павел Валентинович Молчанов Научно-исследовательский ядерный университет МИФИ https://orcid/org/0009-0000-4535-5874
Дмитрий Сергеевич Смирнов Научно-исследовательский ядерный университет МИФИ https://orcid/org/0000-0002-8683-4430

DOI: https://doi.org/10.6060//ivecofin.2025642.725

Ключевые слова: рекомендательная система, метод коллаборативной фильтрации, мера схожести, поступление в ВУЗ, абитуриент

Аннотация

Данная статья посвящена исследованию рекомендательных систем выбора учебных направлений российских вузов. Структура работы включает введение, описание метода коллаборативной фильтрации, процесс сбора данных, предварительную фильтрацию, преобразование данных, расчет схожести между целевым абитуриентом (которому необходимо дать рекомендацию) и студентами, а также оценку соответствия учебных направлений для оптимальной генерации рекомендаций. Целью является формирование требований к аналитическому и математическому обеспечению рекомендательной системы для абитуриентов. Задачи исследования: выявление недостатков существующих сервисов; определение структуры учитываемых параметров абитуриента, с точки зрения полезности использования и доступности; сравнительный анализ используемых математических и инструментальных методов; составить анкету для сбора информации; иллюстрация возможности применения исследованных матметодов на полученной информации.

Методологической основой работы выступает метод коллаборативной фильтрациии основанный на пользовательских данных. В работе используется взвешенное косинусное сходство для определения степени схожести между целевым абитуриентом и студентами, уже сделавшими свой выбор. Для сбора данных применяется специально разработанный опросник, включающий вопросы о предпочтениях, интересах и способностях абитуриентов.

Результаты исследования демонстрируют эффективность предложенного алгоритма и его соответствие поставленным требованиям. В заключении отмечены ограничения текущей реализации и предлагаются направления дальнейшего развития, включая расширение базы данных, внедрение контентной фильтрации и создание веб-сервиса для практического применения алгоритма.

Литература

Gvozdeva T.V., Smirnova E.M. Development of a system model for the formation of educational programs. Ivecofin. 2024. N 3(61). P. 91-96. DOI: 10.6060/ivecofin.2024613.693 (in Russian).

Korobova O.O., Rychikhina N.S., Sorokin N.D., Troshina M.A. Promising forms of work that contribute to the successful employment of graduates of universities/educational institutions in the conditions of dynamism of the labor market. Modern high technologies. Regional application. 2023. N 1(73). P. 70-78. DOI: 10.6060/snt.20237301.00010 (in Russian).

Zadorozhnikova E.B. Formation of university students’ readiness for professional activity: theoretical aspects and practical experience. Modern high technologies. Regional application. 2023. N 4(76). P. 6-16. DOI: 10.6060/snt.20237604.0001 (in Russian).

Khlobystova A.O., Abramov M.V., Tulupyeva T.V. IT job preference categorization. Administrative consulting. 2024. N 3 (183). P. 141-153. DOI: 10.22394/1726-1139-2024-3-141-153 (in Russian).

Kolpakova E.I., Lisina A.S., Yarovaya V.M. Development of an automated recommendation system for applicants. Materials of the XVII Int. scientific-practical conference of students, postgraduates and young scientists "Youth and modern information technologies". Tomsk: TPU. 2020. P. 20 (in Russian).

Yarovaya V.M., Kolpakova E.I., Lisina A.S. Development of a functional web service model for issuing recommendations on choosing online courses in an e-learning system. Materials of the XVII Int. scientific-practical conference of students, postgraduates and young scientists "Youth and modern information technologies". Tomsk: TPU. 2020. P. 22 (in Russian).

Shumeyko E.A., Kozlova M.G. Developing and evaluating a hybrid recommendation system. Materials of the conference MIKMO-2017 and the Tavricheskaya scientific conference of students and young specialists in mathematics and informatics "Mathematics, informatics, computer science, modeling, education". Simferopol: IP Kornienko A.A. 2017. P. 178-185 (in Russian).

Rossiyskaya Gazeta. https://rg.ru/2024/03/25/dmitrij-chernyshenko-chislo-abiturientov-etogo-goda-mozhet-prevysit-million.html (in Russian).

Dronova O.B. A process-oriented model of a competitive corporation. Ivecofin. 2024. N 3(61). P. 59-71. DOI: 10.6060/ivecofin.2024613.690 (in Russian).

Chicco D. Siamese neural networks: An overview. Artificial neural networks. 2021. С. 73-94.

Lomash D.A., Khlopin K.V. Recommendation system implementation based on collaborative and content filtering algorithms. Bulletin of the Rostov State Transport University. 2013. N 1. P. 75-84 (in Russian).

Averbukh V.L., Manakov D.V. Analysis and visualization of “big data”. https://data2.lact.ru/f1/s/0/299/basic/1605/962/033.pdf (in Russian).

Prokhorova A.M. Architecture of a recommendation service for choosing training areas at a higher education institution by applicants with the method of collaborative filtering of machine learning. Vestnik universiteta. 2024. N 5. P. 212-224 (in Russian).

Akimov A.A., Valitov D.R., Kubryak A.I. Data preprocessing for machine learning. Scientific review. Technical sciences. 2022. N 2. P. 26-31 (in Russian).

Zhao Z.D., Shang M.S. User-based collaborative-filtering recommendation algorithms on Hadoop. Third international conference on knowledge discovery and data mining. IEEE. 2010. С. 478-481.

Sarwar B. et al. Item-based collaborative filtering recommendation algorithms. Proceedings of the 10th international conference on World Wide Web. 2001. С. 285-295.

Patro S., Sahu K.K. Normalization: A preprocessing stage. https://arxiv.org/abs/1503.06462.