«Работая с рекомендательными системами, мы понимаем, что видим лишь часть сложного процесса принятия решений пользователем, который проявляется в последовательности его действий. Наша задача — по этим наблюдаемым фрагментам выявить скрытые закономерности. Анализ временных рядов активности с применением методов топологического анализа данных позволяет обнаружить устойчивые поведенческие паттерны, своего рода "невидимый каркас" интересов, даже когда видимое поведение кажется неполным или изменчивым. Эти паттерны становятся основой для машинного обучения, позволяя рекомендациям быть не просто релевантными сейчас, но и адаптивными к изменениям, предсказывая будущие предпочтения», — отметила эксперт.
Анализируя последовательность действий пользователя (просмотры, покупки, лайки и т. д.) как временной ряд, алгоритм выявляет устойчивые паттерны поведения. Это позволяет рекомендациям быть не только актуальными, но и предсказывать будущие интересы, адаптируясь к изменениям. Такой подход обеспечивает более глубокое понимание пользователя и значительно улучшает его опыт взаимодействия с системой. «Важно отметить, что методы поведенческой аналитики, используемые для построения таких рекомендательных систем, являются универсальными и находят применение в различных областях. Так, к примеру, Ankey ASAP компании "Газинформсервис" уже сейчас использует эти методы для выявления нарушителей, действующих внутри сети организации, анализируя их поведенческие аномалии», — добавила Меженева.
Эксперт добавила, что такой подход позволяет получить более глубокое понимание пользователя, делает рекомендации гибкими и актуальными, даёт возможность прогнозировать изменения интересов и в целом значительно улучшает пользовательский опыт.
