guuvestВестник университетаVestnik Universiteta1816-42772686-8415State University of Management10.26425/1816-4277-2024-5-212-224guuvest-5282Research ArticleСОЦИАЛЬНЫЕ ТЕХНОЛОГИИ И ПРОЦЕССЫSOCIAL TECHNOLOGIES AND PROCESSESАрхитектура рекомендательного сервиса для выбора направления подготовки в вузе абитуриентами с использованием метода коллаборативной фильтрации машинного обученияArchitecture of a recommendation service for choosing training areas at a higher education institution by applicants with the method of collaborative filtering of machine learninghttps://orcid.org/0000-0002-7228-9742ПрохороваА. М.ProkhorovaA. M.

Прохорова Анна Михайловна, ст. преп. каф. информационных систем и прикладной информатики

г. Ростов-на-Дону

Anna M. Prokhorova, Senior Lecturer at the Information Systems and Applied Informatics Department

Rostov-on-Don

annaprohorovam@gmail.comРостовский государственный экономический университетРоссияRostov State University of EconomicsRussian Federation20242806202405212224Copyright © Прохорова А.М., 20242024Прохорова А.М.Prokhorova A.M.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://vestnik.guu.ru/jour/article/view/5282

Целью научной статьи является представление исследования архитектуры рекомендательного сервиса, разработанного для помощи абитуриентам в выборе направления подготовки в вузе. Главной функцией сервиса выступает предоставление абитуриентам персонализированных рекомендаций по подготовке на основе их предпочтений, интересов, академических достижений и рейтинга учебного заведения. Архитектура базируется на принципе клиент-серверного взаимодействия, когда клиенты могут получать персонализированные рекомендации и взаимодействовать с сервисом через веб-интерфейс. В статье были решены следующие задачи: выполнены архитектурная декомпозиция и описание основных компонентов сервиса; представлен метод машинного обучения, включая алгоритм коллаборативной фильтрации, который применяется в сервисе и позволяет учитывать предпочтения и предложения других абитуриентов с похожими интересами и образовательным профилем; разработаны рекомендации по выбору пользовательского интерфейса для удобного взаимодействия с сервисом; проведены контрольные примеры с целью оценки эффективности работы рекомендательного сервиса. Исследование показывает, что использование метода коллаборативной фильтрации в архитектуре сервиса позволяет достичь высокой точности и удовлетворения абитуриентов при предоставлении рекомендаций по выбору направления подготовки в вузе. Статья имеет практическую значимость, так как представляет собой реальное применение метода машинного обучения и архитектуры сервиса для помощи абитуриентам в выборе направления подготовки. Результаты исследования могут быть полезными для разработки подобных сервисов в образовательной сфере.

The purpose of the scientific article is to present a study of a recommendation service architecture designed to help applicants in choosing the training area at a higher education institution. The main function of the service is to provide applicants with personalised recommendations for training based on their preferences, interests, academic achievements and ranking of the institution. The architecture is founded on the principle of client-server interaction when clients can receive personalised recommendations and interact with the service through a web interface. The article accomplished the following objectives: the architectural decomposition and description of the main components of the service are completed; a machine learning method is presented, including a collaborative filtering algorithm that is used in the service and allows to consider preferences and offers of other applicants with similar interests and educational profile; recommendations for choosing a user interface for convenient interaction with the service have been developed; test cases have been conducted to assess the effectiveness of the recommendation service. The study shows that the use of the collaborative filtering method in the service architecture makes it possible to achieve high accuracy and satisfaction of applicants when providing recommendations on choosing the training area at a higher education institution. The article has practical significance, as it represents a real application of the machine learning method and service architecture to help applicants choose the field of study. The research results may be useful for the development of similar services in the educational field.

Рекомендательный сервисархитектура рекомендательного сервисавыбор направления подготовкивузабитуриентыметод коллаборативной фильтрациимашинное обучениеRecommendation servicerecommendation service architecturechoice of training areahigher education institutionapplicantscollaborative filtering methodmachine learningReferencesMartínez-Maldonado T., Yacef K. Toward a learning analytics dashboard for supporting teachers as “learning designers” of orchestrated CSCL orchestration scripts. Journal of Learning Analytics. 2019.Martínez-Maldonado T., Yacef K. Toward a learning analytics dashboard for supporting teachers as “learning designers” of orchestrated CSCL orchestration scripts. Journal of Learning Analytics. 2019.Атаян А.М., Гурьева Т.Н., Шарабаева Л.Ю. Цифровая трансформация высшего образования: проблемы, возможности, перспективы и риски. Отечественная и зарубежная педагогика. 2021;2(75(1):7–22.Atayan A.M., Guryeva T.N., Sharabaeva L.Yu. Digital transformation of higher education: challenges, opportunities, prospects and risks. Domestic and Foreign Pedagogy. 2021;2(75(1):7–22. (In Russian).Седова Н.О., Перцева И.А., Юрьева О.Д. Анализ эффективности профориентационных мероприятий вуза с использованием инструментов машинного обучения. Современные информационные технологии и ИТ-образование. 2021;4(17):1032–1046. https://doi.org/10.25559/SITITO.17.202104.1032-1046Sedova N.O., Pertseva I.A., Yur’eva O.D. Analysis of the effectiveness of vocational guidance activities of the university using machine learning. Modern Information Technologies and IT education. 2021;4(17):1032–1046. (In Russian). https://doi.org/10.25559/SITITO.17.202104.1032-1046Забокрицкая Л.Д., Орешкина Т.А., Обабков И.Н., Чепуров Е.Г. Применение алгоритма машинного обучения для профориентации абитуриентов высшего учебного заведения. Вестник Томского государственного университета. 2022;485:217–225. http://doi.org/10.17223/15617793/485/24Zabokritskaya L.D., Oreshkina T.A., Obabkov I.N., Chepurov E.G. Application of machine learning algorithm for career guidance of university applicants. Tomsk State University Journal. 2022;485:217–225. (In Russian). http://doi.org/10.17223/15617793/485/24Бозиева А.М., Цеева Ф.М., Хатухова Д.В. Применение методов машинного обучения при оценке деятельности образовательной организации высшей школы. Известия Кабардино-Балкарского научного центра РАН. 2023;3(113):11–19. http://doi.org/10.35330/1991-6639-2023-3-113-11-19Bozieva A.M., Tseeva F.M., Khatukhova D.V. Application of machine learning methods in assessing the activities of an educational organization of higher school. News of the Kabardino-Balkarian Scientific Center of RAS. 2023;3(113):11–19. (In Russian). http://doi.org/10.35330/1991-6639-2023-3-113-11-19Васильева Е.В., Сахнюк П.А. Разработка модели классификации квалифицированных кадров для IT-отрасли с помощью методов машинного обучения. Инновации и Инвестиции. 2023;9:296–299.Vasilieva E.V., Sakhnyuk P.A. Development of a model for classifying qualified personnel for the IT industry using machine learning methods. Innovations and Investments. 2023;9:296–299. (In Russian).Каледин О.Е., Каледина Е.А., Щербаков Д.В. Прогнозирование успеваемости студентов вуза на основе алгоритмов коллаборативной фильтрации. Вестник компьютерных и информационных технологий. 2023;2(224(20):37–43. http://doi.org/10.14489/vkit.2023.02.pp.037-043Kaledin O.E., Kaledina E.A., Shcherbakov D.V. Prediction of the progress of university students based on collaborative filtering algorithms. Herald of computer and information technologies. 2023;2(224(20):37–43. (In Russian). http://doi.org/10.14489/vkit.2023.02.pp.037-043Старостин В.С., Аржанова К.А., Долгополов Д.В., Дитрих А.Д. Определение готовности вуза к внедрению технологий искусственного интеллекта для персонализации образовательных траекторий Вестник университета. 2023;10:29–39. http://doi.org/10.26425/1816-4277-2023-10-29-39Starostin V.S., Arzhanova K.A., Dolgopolov D.V., Ditrikh A.D. Determining university’s readiness to implement AI technologies for personalizing educational paths. Vestnik universiteta. 2023;10:29–39. (In Russian). http://doi.org/10.26425/1816-4277-2023-10-29-39Дорофеева Ю.А., Правдин К.В., Михайлов В.И. Моделирование и прогнозирование эффективности образовательного процесса в университете. Международный научно-исследовательский журнал. 2023;11(137). https://doi.org/10.23670/IRJ.2023.137.15Dorofeeva Y.A., Pravdin K.V., Mikhailov V.I. Modelling and forecasting the effectiveness of the educational process at universities. International Research Journal. 2023;11(137). (In Russian). https://doi.org/10.23670/IRJ.2023.137.15Мищенко В., Ромакина О.М., Арсеньева А.З. О применении цифрового инструментария при выборе абитуриентом направления подготовки. Известия Воронежского государственного педагогического университета. 2023;2(299):14–18.Mischenko V., Romakina O.M., Arseneva A.Z. Application of digital tools when choosing the direction of training by applicant. Izvestia Voronezh State Pedagogical University. 2023;2(299):14–18. (In Russian).Никандров А.А., Пиотровская К.Р. Организация мультиплатформенного гибридного онлайн-курса по «Машинному обучению» для системы высшего образования. Преподаватель XXI век. 2023;3–1:110–127.Nikandrov A.A., Piotrowska X.R. Organization of a hybrid multi-platform online course on “Machine learning” for higher education systems. Prepodavatel XXI vek. 2023;3–1:110–127. (In Russian).Diakopoulos N.J., Koliska A., Karatzoglou S.G. Fairness-aware learning for recommendation ranking in two-sided platforms. ACM Transactions on Information Systems. 2020.Diakopoulos N.J., Koliska A., Karatzoglou S.G. Fairness-aware learning for recommendation ranking in two-sided platforms. ACM Transactions on Information Systems. 2020.Захарова И.Г., Воробьева М.С., Боганюк Ю.В. Сопровождение индивидуальных образовательных траекторий на основе концепции объяснимого искусственного интеллекта. Образование и наука. 2022;1(24):163–190. https://doi.org/10.17853/1994-5639-2022-1-163-190Zakharova I.G., Vorobeva M.S., Boganyuk Yu.V. Support of individual educational trajectories based on the concept of explainable artificial intelligence The Education and science journal. 2022;1(24):163–190. (In Russian). https://doi.org/10.17853/1994-5639-2022-1-163-190Преображенский Ю.П., Коновалов В.М. О методах создания рекомендательных систем. Вестник Воронежского института высоких технологий. 2019;4(31):75–79.Preobrazhenskiy Y.P., Konovalov V.M. About methods for creating recommendation systems. Bulletin of Voronezh Institute of High Technologies. 2019;4(31):75–79. (In Russian).Егина Н.А. Трансформация модели поведения потребителя в условиях цифровой экономики. Финансы и кредит. 2019;9(789(25):1971–1986. https://doi.org/10.24891/fc.25.9.1971Egina N.A. Transformation of the consumer behavior model in the digital economy. Finance and Credit. 2019;9(789(25):1971–1986. (In Russian). https://doi.org/10.24891/fc.25.9.1971Wang G., Karypis G. Item2Vec: neural item embedding for collaborative filtering. ACM Transactions on Information Systems. 2019.Wang G., Karypis G. Item2Vec: neural item embedding for collaborative filtering. ACM Transactions on Information Systems. 2019.

The authors declare that there are no conflicts of interest present.