Analysis of the impact of cross-platform behaviour on recommendation quality

Abstract

Швидке зростання кількості цифрових платформ та різноманітність онлайн-сервісів створюють нові виклики для розробки рекомендаційних систем, які мають враховувати кросплатформну поведінку користувачів для забезпечення точності та конфіденційності рекомендацій. Метою статті стало визначення того, яким чином об’єднання даних про кросплатформну поведінку може підвищити точність рекомендаційних систем. Для цього було проведено аналіз сучасних алгоритмів машинного навчання та методів обробки великих даних, що дозволяє ефективно інтегрувати інформацію з різних джерел. У дослідженні використано алгоритми кластеризації та нейронних мереж, що дозволило виявити шаблони поведінки користувачів у кросплатформенних середовищах. Отримані результати свідчать, що інтеграція кросплатформних даних покращує точність персоналізованих рекомендацій на 15-30 %, що перевищує показники традиційних, одноплатформенних підходів. Крім того, з’ясовано, що аналіз соціальних взаємодій та мережевих ефектів може значно підвищити ефективність рекомендаційних систем у кросплатформному середовищі, оскільки враховує додаткові аспекти взаємодії користувачів. Стаття також звертає увагу на аспекти конфіденційності, пропонуючи огляд сучасних підходів до захисту особистих даних, які зберігають високу якість рекомендацій. У рамках експериментальної частини дослідження було розроблено та впроваджено прототип кросплатформної рекомендаційної системи, що інтегрує дані з трьох популярних онлайн-платформ. Тестування системи на реальних даних показало підвищення точності персоналізованих рекомендацій в середньому на 27 % та зниження кількості нерелевантних пропозицій на 35 % порівняно з традиційними одноплатформними підходами. Крім того, впровадження розробленої системи захисту конфіденційності на основі диференційної приватності дозволило зберегти високу якість рекомендацій при забезпеченні належного рівня захисту персональних даних користувачів. Практична цінність дослідження полягає у застосуванні кросплатформного підходу для підвищення конкурентоспроможності рекомендаційних систем у різноманітних цифрових екосистемах.

The rapid growth in the number of digital platforms and the diversity of online services create new challenges for the development of recommender systems that must factor in cross-platform user behaviour to ensure the accuracy and privacy of recommendations. The purpose of this study was to determine how combining cross-platform behavioural data can improve the accuracy of recommender systems. To this end, the study analysed modern machine learning algorithms and Big Data processing methods that enable the efficient integration of information from various sources. The study used clustering and neural network algorithms to identify patterns of user behaviour in cross-platform environments. The findings obtained suggest that the integration of cross-platform data improves the accuracy of personalised recommendations by 15-30%, which exceeds the performance of conventional, single-platform approaches. Furthermore, it was found that the analysis of social interactions and network effects can greatly improve the efficiency of recommender systems in a cross-platform environment, as it factors in additional aspects of user interaction. The study also addressed privacy aspects, offering an overview of modern approaches to protecting personal data while maintaining high quality recommendations. Within the framework of the experimental part of the study, a prototype cross-platform recommender system integrating data from three popular online platforms was developed and implemented. Testing the system on real data showed an average 27% increase in the accuracy of personalised recommendations and a 35% reduction in the number of irrelevant offers compared to conventional single-platform approaches. Furthermore, the implementation of the developed privacy protection system based on differential privacy allowed maintaining the high quality of recommendations while ensuring an adequate level of protection of users’ personal data. The practical value of the study lies in the application of a cross-platform approach to increase the competitiveness of recommender systems in various digital ecosystems.