Нейросетевая рекомендательная система по подбору контента для онлайн-кинотеатров

ВВЕДЕНИЕ

Разработка алгоритмов рекомендаций, которые учитывают индивидуальные предпочтения и поведенческие особенности пользователей, позволяет значительно повысить удовлетворенность пользователей и увеличить их лояльность к платформе. Данная тема особенно актуальна в контексте конкурентной борьбы между различными онлайн-кинотеатрами, где качественные рекомендации могут стать ключевым преимуществом. Помимо этого, успешная рекомендательная система позволит онлайн-кинотеатрам не только повысить удовлетворенность пользователей, но и улучшить такие бизнес-показатели, как удержание аудитории и время просмотра.

Целью данной работы является разработка наиболее эффективной рекомендательной системы по подбору видеоконтента для онлайн-кинотеатров, основанной на сравнительном анализе различных методов и алгоритмов рекомендаций.

Рассмотрим несколько примеров успешного использования рекомендательных систем в онлайн-сервисах.

1. Netflix – крупнейшая развлекательная платформа, которая реализовала оригинальную версию своей системы рекомендаций в далеком 2000 г. [1]. В настоящее время Netflix использует продвинутую систему персонализированных рекомендаций, которая анализирует историю просмотров, рейтинг и поисковое поведение пользователя, чтобы предложить фильмы и телешоу, которые, скорее всего, ему понравятся. Алгоритм также учитывает жанр, актеров, режиссера и другие факторы, чтобы составить персональные рекомендации для каждого пользователя [2].

По оценкам Netflix, около 80 % общего времени просмотра видеоконтента приходится на систему рекомендаций, что является впечатляющим результатом [3].

2. Еще одним примером успешной реализации рекомендательной системы является Amazon. По оценкам, около 35 % доходов Amazon приходится на систему рекомендаций [4].

Система рекомендаций Amazon предлагает продукты на основе истории покупок, поиска и поведения пользователя в приложении или на сайте. Она создает персонализированные рекомендации на основе предыдущих покупок пользователя, просмотренных товаров и товаров, добавленных в корзину [2].

Несмотря на разнообразие и гибкость методов, рекомендательные системы сталкиваются с серьезными проблемами, которые существенно влияют на качество моделей и усложняют процесс их разработки. Рассмотрим несколько из этих проблем [5].

1. Холодный старт

Это ситуация, когда система не имеет достаточной информации для генерации точных рекомендаций. Могут возникнуть такие ситуации, когда новый пользователь регистрируется на платформе, система не знает его предпочтений, в результате рекомендации могут быть неточными или общими, или, когда добавляется новый продукт или контент, система не имеет данных о его популярности и релевантности для различных пользователей.

2. Масштабируемость

Речь идет о способности системы обрабатывать и анализировать большие объемы данных, так как увеличение количества пользователей и объектов может существенно увеличить время выдачи рекомендаций.

3. Разреженность данных

Такая проблема возникает, когда большинство пользователей оценивают лишь небольшой процент доступного контента, что приводит к недостаточности данных и сложности в обучении модели.

4. Смещение данных

Данные могут быть смещены или неполными. Например, активные пользователи могут оставлять больше отзывов, что создает неравномерное представление о предпочтениях всей аудитории.

5. Фильтрационный пузырь

Пользователи могут постоянно получать рекомендации на основе своих прошлых предпочтений, что препятствует открытию для них нового контента.

МАТЕРИАЛЫ И МЕТОДЫ

В рамках данной работы для обучения рекомендательных систем были использованы данные с веб-сайта MovieLens: 25 млн оценок, примененных к 62 тысячам фильмов 162 тысяч пользователей.

Данные представляют собой следующий набор из 4 файлов.

1. Links.csv – файл, в котором представлено соответствие id фильмов из базы MovieLens с их id в крупнейших базах данных о фильмах imbd.com и tmdb.com. Имеет поля:

– movieId – id фильма;

– imdbId – id фильма на imdb.com;

– tmdbId – id фильма на tmdb.com.

2. Users.cvs – файл с информацией о пользователях, который содержит поля:

– userId – id пользователя;

– age – возраст;

– sex – пол.

Эти данные позволяют значительно повысить точность и релевантность рекомендаций, предлагаемых пользователям.

3. Movies.cvs – файл с фильмами, который содержит в себе следующую информацию:

– movieId – id фильма;

– title – название фильма, в скобках после название указана дата выхода;

– genres – жанры фильмы, указаны через разделитель.

Пример данных представлен в табл. 1.

В файле представлено более 62 тысяч фильмов, которым присвоены 19 уникальных жанров. Как видно из табл. 1, одному фильму может быть присвоено несколько жанров.

Построим диаграмму, показывающую распределение фильмов по жанрам, которая представлена на рис. 1.

Рис. 1 наглядно иллюстрирует, что ведущими жанрами являются драма и комедия, они встречаются гораздо чаще других жанров. Анализ этих данных также помогает лучше понять аудиторию и настроить алгоритмы рекомендаций для повышения их точности и релевантности.

Отсортируем фильмы по году выпуска и построим диаграмму, которая отражена на рис. 2.

Как видно из рис. 3, преимущественно в базе MovieLens присутствуют фильмы 2000–2010 гг. выпуска. Знание периодов наибольшего производства видеоконтента позволяет лучше учитывать временные предпочтения пользователей и предлагать более релевантные рекомендации.

4. Ratings.cvs – файл с оценками фильмов, которые поставили пользователи. Содержит следующие поля:

– userId – id пользователя;

– movieId – id фильма;

– rating – оценка, поставленная пользователем данному фильму;

– timestamp – время, когда была поставлена оценка фильму, представленное в формате UNIX timestamp (количество секунд, прошедших с 01.01.1970).

Пример входных данных представлен в табл. 2.

Диапазон выставляемых оценок варьируется от 1,0 до 5,0 с шагом 0,5.

Данный файл является основополагающим в обучении методов и дальнейшей реализации рекомендательной системы, поэтому рассмотрим его подробнее. В результате анализа получаем следующую информацию:

– минимальное количество оценок, поставленное одним пользователем: 20;

– медианное количество оценок, поставленное одним пользователем: 71,0;

– среднее количество оценок, поставленное одним пользователем: 153,80793153727367;

– максимальное количество оценок, поставленное одним пользователем: 32202;

– более 75 % пользователей поставили менее 162 оценок;

– максимальное количество оценок на один фильм: 81491;

– медианное количество оценок на один фильм: 60;

– количество фильмов с одной оценкой: 10298;

– более 75 % фильмов имеют менее 36 оценок.

Данные показатели не являются оптимальными из-за высокой разреженности данных, что может негативно сказаться на точности прогнозирования.

Обучение методов было реализовано на языке программирования Python 3, который является одним из наиболее популярных языков для анализа данных и машинного обучения благодаря своей простоте и богатой экосистеме библиотек [6]. Также для обучения были применены библиотеки:

– numpy – библиотека для работы с многомерными массивами и матрицами, а также для выполнения различных математических операций [7];

– pandas – библиотека для обработки и анализа данных, которая обеспечивает удобные инструменты для работы с таблицами и временными рядами [8];

– sklearn – библиотека машинного обучения, включающая множество алгоритмов для классификации, регрессии, кластеризации и снижения размерности [9];

– keras – высокоуровневый API для нейронных сетей, работающий поверх TensorFlow, который упрощает создание и обучение глубоких нейронных сетей [10];

– surprise – специализированная библиотека для построения и анализа рекомендательных систем [11];

– csv – модуль для работы с CSV-файлами, позволяет читать и записывать данные в формате CSV [12];

– os – модуль для взаимодействия с операционной системой, обеспечивает доступ к файловой системе и позволяет выполнять системные команды [13];

– time – модуль для работы со временем, предоставляет функции для измерения времени, задержек и форматирования времени [14];

– psutil – библиотека для получения информации о системных ресурсах и процессах, используется для мониторинга производительности [15].

Обучение каждого метода можно разделить на три этапа:

1. Импорт библиотек для сбора критериев оценки качества и подготовки директории с файлами для обучения модели.
2. Индивидуальное обучение каждой модели, тестирование модели на тестовом наборе данных для получения значений критериев оценки качества.
3. Сохранение значений критериев, полученных на втором этапе, в csv-файлы для дальнейшего анализа.

Для каждого метода были собраны результаты работы метода:

– на неотсортированным наборе данных;

– на отсортированном наборе данных по возрасту и полу;

– на отсортированном наборе данных по жанру;

– на отсортированном наборе данных по жанру, возрасту и полу.

После получения всех результатов составлена результирующая таблица для каждого алгоритма.

Аппаратная часть, на которой были обучены алгоритмы рекомендательных систем:

процессор: Intel core i5–12400F, 6 ядер, 12 потоков;

оперативная память: ADATA 32GB DDR4.

Рассмотрим общие критерии оценки качества для каждого метода с целью дальнейшего выбора наиболее оптимального алгоритма рекомендательной системы.

Итоговый результат обучения метода Co-Clustering продемонстрирован в табл. 3.

Как видно из результирующей табл. 3, данный метод быстро обучился, при этом не используя большие ресурсы персонального компьютера.

Итоговый результат обучения метода KNNBaseline продемонстрирован в табл. 4.

Как видно из результирующей табл. 4, алгоритм достаточно быстро обучился, но ему потребовалось более 4 Гб оперативной памяти в среднем (17 Гб в максимуме).

Итоговый результат обучения метода KNNBasic продемонстрирован в табл. 5.

Как видно из результирующей табл. 5, алгоритм достаточно быстро обучился, но ему потребовалось более 20 % ЦП и более 5 Гб оперативной памяти в среднем (21 Гб в максимуме).

Итоговый результат обучения метода KNNWithZScore продемонстрирован в табл. 6.

Как видно из результирующей табл. 6, алгоритм достаточно быстро обучился, но ему потребовалось более 5 Гб оперативной памяти в среднем (20 Гб в максимуме).

Итоговый результат обучения метода NMF продемонстрирован в табл. 7.

Как видно из результирующей табл. 7, алгоритм быстро обучился, но ему потребовалось более 20 % ЦП и более 4 Гб оперативной памяти в среднем (13 Гб в максимуме).

Итоговый результат обучения метода SlopeOne продемонстрирован в табл. 8.

Как видно из результирующей табл. 8, алгоритму для полного обучения на неотсортированном наборе данных потребовалось 1,5 часа, при этом было затрачено более 10 Гб оперативной памяти (максимум), нагрузка на ЦП была в пределах нормы.

Итоговый результат обучения метода k-Means продемонстрирован в табл. 9.

Из результирующей табл. 9 видно, что, как и предыдущему алгоритму, алгоритму k-Means потребовалось время для полного обучения. В максимуме было использовано около 21 Гб оперативной памяти, но ЦП при этом не был сильно нагружен.

Итоговый результат обучения метода SVD продемонстрирован в табл. 10.

Как видно из результирующей табл. 10, алгоритм достаточно быстро обучился, не затратив больших ресурсов персонального компьютера.

Итоговый результат обучения метода DLRM продемонстрирован в табл. 11.

Как видно из результирующей табл. 11, алгоритм очень долго обучался (максимальное значение – более 3-х дней), затратив при этом большие ресурсы ЦП, но не используя больше 2 Гб оперативной памяти.

Итоговый результат обучения гибридного метода k-Means + SVD продемонстрирован в табл. 12.

Как видно из результирующей табл. 12, алгоритм долго обучался (максимально – больше суток), затратив в среднем 6 Гб оперативной памяти (22 Гб в максимуме).

Итоговый результат обучения гибридного метода KNNBasic + k-Means продемонстрирован в табл. 13.

Как видно из результирующей табл. 13, алгоритм обучался долго (максимально – больше 1,5 дня), затратив в среднем 6 Гб оперативной памяти (22 Гб в максимуме).

Итоговый результат обучения гибридного
метода KNNBasic + SVD продемонстрирован в табл. 14. Как видно из результирующей
табл. 14, алгоритм обучался долго (максимально 1,5 дня), используя при этом около 30 % ЦП
и 6 Гб памяти в среднем (22 Гб в максимуме). Данный метод достаточно требователен по ресурсам.

В табл. 15 приведен общий результат, взятый из строк «Среднее общее» в табл. 3–14, для всех обученных методов выше.

Как видно из табл. 15, алгоритмы все разные, имеют разные значения критериев и нет явного лидера по производительности и результату. Для выбора наиболее оптимального алгоритма рекомендательной системы используем математические методы принятия решений.

Воспользуемся комбинированным критерием для выбора алгоритма. Для установки ограничений будет использован критерий Антиидеальной точки (Y3, Y4, Y5, Y6), а для выбора алгоритма – критерий Идеальной точки (Y1, Y2, Y4).

1. Определение весов критериев.

Так как изначально нет оценок экспертов, попросим независимых экспертов оценить критерии. Оценки отображены в табл. 16.

Нормализуем полученные данные по (1):

 (1)

где

a_ij – значение из табл. 16,

n – количество критериев.

Нормализация оценок продемонстрирована в табл. 17.

Выполняем расчет по (2):

 (2)

где

b_ij – значение из табл. 17,

n – количество критериев,

 – сумма рангов для i-го эксперта.

Вычисляем вес критерия по (3):

 (3)

где

c_ij – значение из табл. 18,

m – количество экспертов,

 – сумма рангов для j-го критерия.

Все расчеты отображены в табл. 18.

2. Нормализация критериев

Для нормализации критериев используем критерий Севиджа. Нормализация критериев критерием Севиджа – это метод, использующийся в многокритериальном анализе, который позволяет привести к одной числовой шкале различные критерии, которые имеют разный масштаб и единицы измерения.

Сначала необходимо определить максимальное значение для каждого критерия. Затем для каждого критерия рассчитывается разность между максимальным значением и реальными значениями.

После этого для каждого критерия рассчитывается минимальное значение разности. Далее выбирается максимальное значение минимальной разности – это и будет максимальным критерием. Используя формулу, каждый показатель нормализуется по максимальному критерию.

Нормализованный показатель для каждого критерия рассчитывается по (4):

 (4)

где

Z_i – реальное значение i-го критерия,

С_max – максимальное значение разности между максимальным и реальным значениями,

C_min – минимальное значение разности между максимальным и реальным значениями.

Расчеты приведены в табл. 19.

Для критериев Y1, Y6 и Y7 выполним смену направления. В табл. 20 представлены нормализованные критерии.

Данные в табл. 20 обозначают какую-либо величину. Необходимо перейти к безразмерным шкалам. Для этого используем Относительную нормализацию. Выполняем расчеты по (5):

 (5)

где

a_ij – значение из табл. 19,

MAX (a_j) – значение максимума из табл. 20,

Расчеты внесены в табл. 21.

Применим ограничение в виде критерия Антиидеальной точки для критериев 3, 4, 5 и 6. Ограничения Антиидеальной точки используется для минимизации отклонения от наихудшего возможного решения. Этот метод заключается в том, чтобы найти решение, которое максимально удалено от всех нежелательных характеристик (антиидеальных точек) и максимально близко к идеальным характеристикам.

Алгоритм использования ограничения Антиидеальной точки включает в себя следующие шаги.

1. Вычислить расстояние от каждой точки (варианта решения) в матрице оценок до антиидеальной точки по следующей (6):

 (6)

где

j – это индекс критерия,

γ – это вес коэффициентов, который был найден на этапе обработки оценок экспертов,

z – это минимальное значение для критерия j (из всех алгоритмов),

x – это значение критерия конкретного алгоритма.

2. Просуммировать и получить столбец с суммами для каждого метода рекомендательной системы.
3. На основе среднего значения столбца с суммами отсеять те методы рекомендаций, которые ниже среднего.

Расчеты в табл. 22.

Находим среднее значение z_gr для последнего столбца в табл. 22, равное 0,008138, и исключаем алгоритмы X1, X2, X3, X4, X5, X6, X7, X9 и X11, т. к. они меньше рассчитанного значения z_gr.

Применим критерий Идеальной точки для оставшихся критериев. Критерий Идеальной точки широко используется в теории принятия решений при ранжировании альтернатив. Он является одним из наиболее эффективных критериев для принятия решений в группе.

Критерий Идеальной точки предполагает, что при принятии решения индивид выбирает тот вариант, который находится ближе всего к его идеальному представлению о желаемом результате. Основная идея заключается в том, чтобы найти оптимальное решение, которое минимизирует расстояние до всех критериев, максимально приближаясь к идеальному результату по каждому из них.

Алгоритм использования критерия Идеальной точки включает в себя следующие шаги:

1. Вычислить расстояние от каждой точки (варианта решения) в матрице оценок до идеальной точки по следующей (7):

 (7)

где

j – это индекс критерия,

γ – это вес коэффициентов, который был найден на этапе обработки оценок экспертов,

z – это минимальное значение для критерия j (из всех алгоритмов),

x – это значение критерия конкретного алгоритма.

2. Просуммировать и получить столбец с суммами для каждого метода (алгоритма) рекомендательной системы.
3. Выбрать альтернативу с максимальным значением суммы (учитывая исключения, которые были сделаны ограничением критерия Антиидеальной точки).

Расчеты находятся в табл. 23.

В данном случае лучшей альтернативой является алгоритм X8 – это нейронная сеть на базе архитектуры DLRM. Данный алгоритм показывает достаточно высокий результат точности, а также является одним из немногих алгоритмов, который не нагружает оперативную память, из-за чего имеет большую ресурсоемкость по входным данным для обучения модели и соответственно выдачи рекомендаций.

РЕЗУЛЬТАТЫ И ИХ ОБСУЖДЕНИЕ

Реализация рекомендательной системы, построенной на архитектуре DLRM, включает в себя разработку алгоритма, проектирование базы данных, а также графического и программного интерфейса.

Система реализована на языке программирования Python с использованием библиотек numpy, pandas, csv, os, которые ранее применялись и при обучении методов. Помимо данных библиотек потребуются еще следующие:

– flask – легковесный веб-фреймворк для
Python, предназначенный для создания веб-приложений и API [16];

– psycopg2 – библиотека для взаимодействия с PostgreSQL базами данных из Python [17];

– tkinter – встроенный в Python стандартный модуль для создания графических пользовательских интерфейсов (GUI) [18];

– pickle – встроенный модуль Python для сериализации и десериализации объектов (конвертация объектов в байтовый поток и обратно) [19].

Алгоритм работы рекомендаций будет зависеть от того, является ли человек зарегистрированным пользователем онлайн-кинотеатра или нет.

Если пользователь зарегистрирован на сервисе онлайн-кинотеатра, то берутся данные, хранящиеся в базе данных сервиса, и формируются в один список из userId. Затем этот список передается в функцию для выдачи предсказаний, загружается уже обученная модель алгоритма по рекомендательным системам, после чего выдается movieId, который система заранее знает.

Если же пользователь не зарегистрирован, то есть два решения данной ситуации.

1. Предложить незарегистрированному поль-
   зователю список самых популярных и высоко оцененных фильмов/сериалов в сервисе, таким образом можно будет как получить в будущем информацию о данном пользователе, так и не испортить его впечатление в качестве посетителя сервиса.
2. Попросить пользователя ввести свои возраст, пол, а также выбрать предпочитаемые жанры фильмов и методом ближайших точек найти пользователей по похожим параметрам и предложить фильмы и сериалы, которые можно будет предложить пользователям с аналогичным данными профиля.

Блок-схема данного алгоритма реализована на рис. 3.

В первую очередь нужно спроектировать базу данных. В качестве СУБД была выбрана PostgreSQL, так как данная технология открыта и хорошо интегрируется с Python. На рис. 4 представлена будущая БД, которую необходимо разработать.

БД включает в себя 5 табл.:

– users – таблица, в которой хранится информация о пользователях, а точнее userId (уникальный идентификатор пользователя), age (возраст пользователя) и sex (пол пользователя);

– movies – таблица, в которой хранится информация о видеоконтенте, а точнее movieId (уникальный идентификатор), title (название видеоконтента), genres (жанр видеоконтента);

– ratings – таблица, в которой хранится информация об оценках пользователей, а точнее userId (уникальный идентификатор пользователя, который оставил оценку), movieId (уникальный идентификатор видеоконтента в сервисе), rating (оценка пользователя), timestamp (время, когда была поставлена оценка пользователем);

– links – таблица, в который хранится информация об уникальном идентификаторе видеоконтента на крупных стриминговых площадках, а точнее movieId (уникальный идентификатор видеоконтента в сервисе MovieLens), imdbId (уникальный идентификатор видеоконтента в сервисе IMDb), tmdbId (уникальный идентификатор видеоконтента в сервисе The Movie Database). Это сделано для будущей интеграции сервиса с другими система, так как movieId предназначен только для внутренней БД, в то время как imdbId и tmdbId являются уникальными идентификаторами крупнейших внешних сервисов;

– recommendations – таблица, в который хранится информация о рекомендация для пользователей, а точнее userId (уникальный идентификатор пользователя), recommendation (список с movieId, который предлагается для просмотра пользователю).

Связи в БД между таблицами:

– users.userId – ratings.userId (связь один ко многим), так как один человек может оставлять множество оценок на различный видеоконтент;

– movies.movieId – ratings.movieId (связь один ко многим), так как один фильм может иметь множество оценок от пользователей;

– users.userId – recommendations.userId (связь один к одному), так как один человек всегда имеет лишь один список рекомендаций в сервисе;

– movies.movieId – links.movieId (связь один к одному), так как у одного фильма лишь одна привязка на IMDB и TMDB.

В ходе разработки системы по выдаче рекомендаций была реализована административная панель для работы с моделью, а также для небольших точечных изменений данных в БД. Графический интерфейс, он же GUI, представляет собой способ взаимодействия пользователя с компьютером с использованием графических элементов, например окон, кнопок и меню [20].

Реализованный графический интерфейс представлен на рис. 5.

На интерфейсе расположены кнопки со следующим функционалом.

1. Кнопка «Выдача рекомендаций», представленная на рис. 6, отвечает за формирование списка рекомендаций. Можно выбрать csv-файл с id пользователей либо запросить загрузку актуальных данных из БД.
2. С помощью кнопки «Пользователи», которая изображена на рис. 7, можно добавить или удалить пользователя из БД, сделана для небольших точечных изменений.
3. С помощью кнопки «Фильмы», представленной на рис. 8, можно добавить или удалить фильм из БД, сделана для небольших точечных изменений.
4. Кнопка «Рейтинг», которая изображена на рис. 9, позволяет добавить или удалить рейтинг фильма из БД, сделана для небольших точечных изменений.
5. Кнопка «Ссылки» продемонстрирована на рис. 10, дает возможность добавить или удалить ссылку на фильм из БД, сделана для небольших точечных изменений.

Данное меню было реализовано для небольших изменений данных. Для массовых изменений на стороне базы данных можно воспользоваться платформой pgAdmin или другими профильными инструментами.

Реализуем API рекомендательной системы для возможной будущей интеграции с существующими онлайн-кинотеатрами. Интерфейс реализован на базе библиотеки Flask.

Разработанный программный интерфейс приложения имеет следующие ссылки.

1./recommendations_client_service – get запрос для выдачи рекомендаций зарегистрированным пользователям в сервисе онлайн-кинотеатра. Возвращает двухсотый код, а также json объект со списком фильмов (id, название, предполагаемая оценка пользователя), которые можно предложить человеку в качестве рекомендаций. В случае ошибки возвращает пятисотый код.

Имеет следующие параметры:

– user_id – id пользователя в сервисе онлайн-кинотеатра;

– num_recommendations (необязательный) – количество рекомендаций на одного пользователя, по умолчанию выдает 5 рекомендаций.

2./recommendations_no_client_service_by_model – get запрос для выдачи рекомендаций незарегистрированным пользователям, но про которых есть информация об их поле, возрасте и любимых жанрах, полученная с другого сервиса, к которому в дальнейшем с помощью API будет подключена рекомендательная система. Возвращает двухсотый код, а также json объект со списком фильмов (id и название), которые можно предложить человеку в качестве рекомендаций. В случае ошибки возвращает пятисотый код.

Имеет следующие параметры:

– sex – пол пользователя;

– age – возраст пользователя;

– genres – любимые жанры в формате: genre1 |genre2 |…|genreN;

– num_recommendations (необязательный) – количество рекомендаций на одного пользователя, по умолчанию выдает 25 рекомендаций.

ЗАКЛЮЧЕНИЕ

В рамках данной магистерской диссертации была проведена разработка рекомендательной системы для онлайн-кинотеатров. Основное внимание уделялось сравнению и анализу трех типов рекомендательных систем: совместной фильтрации, гибридных систем и систем на архитектуре DLRM.

Для оценки качества работы каждого алгоритма использовались различные критерии, включая нагрузку на систему, объем потребляемой оперативной памяти, время, затраченное на обучение модели, а также метрики качества рекомендаций: RMSE, MAE, FCP и MSE.

Проведенный анализ показал, что каждая из рассмотренных систем имеет свои сильные и слабые стороны. Совместная фильтрация продемонстрировала высокую точность рекомендаций при сравнительно низкой нагрузке на систему, но потребовала значительного времени на обучение модели. Гибридные системы показали хорошее соотношение между точностью и производительностью, комбинируя преимущества различных подходов. Система на архитектуре DLRM оказалась наиболее ресурсозатратной, однако она продемонстрировала наилучшую точность и гибкость в обработке большого объема данных.

На основе проведенного анализа и с использованием математических методов принятия решений был выбран наилучший алгоритм для реализации рекомендательной системы. Лидером оказалась система на архитектуре DLRM, обеспечившая оптимальное соотношение между точностью рекомендаций и производительностью системы.

Реализация выбранного алгоритма включала в себя несколько этапов: разработку самого алгоритма, проектирование базы данных для хранения и обработки данных, создание графического интерфейса пользователя и разработку API для интеграции рекомендательной системы с другими компонентами онлайн-кинотеатра.

Разработанная система на архитектуре DLRM показала высокие результаты по точности и качеству рекомендаций, что подтверждает возможность ее использования в реальных условиях.

Таким образом, задачи, поставленные в начале исследования, были успешно решены, а цель достигнута. Результаты данной работы могут служить основой для дальнейших исследований в области рекомендательных систем и их применения в различных сферах, связанных с подбором персонализированного контента.