moitvivt Моделирование, оптимизация и информационные технологии Modeling, Optimization and Information Technology 2310-6018 Издательство 10.26102/2310-6018/2026.58.7.008 2402 Разработка гибридной модели рекомендательной системы на базе графовых нейронных сетей и признакового описания пользователей и сообществ Application of hybrid recommendation system model based on graph neural networks and feature description of users and communities Азарнова Татьяна Васильевна Азарнова Татьяна Васильевна ivdas92@mail.ru aff-1 Мазур Ирина Юрьевна Mazur Irina Yuryevna irino4kamazur@yandex.ru aff-2 Воронежский государственный университет Voronezh State University Воронежский государственный университет Voronezh State University 01 01 2026 1 1 10.26102/2310-6018/2026.58.7.008 Copyright © Авторы, 2026 2026 This work is licensed under a Creative Commons Attribution 4.0 International License

В условиях роста конкуренции на рынке социальных сетей возрастает потребность в инструментах персонализированной рекомендации контента, способных повысить вовлеченность пользователей. Традиционные подходы к построению рекомендательных систем, основанные на коллаборативной фильтрации или контентной фильтрации, имеют ограничения в задачах рекомендации сообществ, где важны как структура социальных связей, так и семантическое описание групп. Данная статья направлена на исследование гибридной модели рекомендательной системы, сочетающей графовые нейронные сети и признаковое описание пользователей и сообществ. Модель интегрирует информацию о взаимодействиях пользователей с группами в виде графа, текстовые эмбеддинги описаний сообществ, полученные с помощью трансформерных моделей, а также числовые и категориальные признаки групп и пользователей. Результаты исследования демонстрируют существенное преимущество предложенного подхода по сравнению с базовыми методами. Проведен сравнительный анализ модели с рандомными рекомендациями и рекомендациями самых популярных групп. Он показывает улучшение метрики MAP@3 в 3,89 раза относительно рекомендации популярных групп и в 4045,9 раз относительно случайной рекомендации. Исследование базируется на данных социальной сети ОК, включающих информацию о 159 685 пользователях и 54 425 сообществах.

In the conditions of growing competition in the social media market, there is an increasing need for personalized content recommendation tools that can increase user engagement. Traditional approaches to building recommendation systems based on collaborative filtering or content filtering have limitations in community recommendation tasks, where both the structure of social connections and the semantic description of groups are important. This article is aimed at studying a hybrid model of a recommendation system combining graph neural networks and feature description of users and communities. The model integrates information about user interactions with groups in the form of a graph, text embeddings of community descriptions obtained using transformer models, as well as numerical and categorical features of groups and users. The results of the study demonstrate a significant advantage of the proposed approach compared to baseline methods. A comparative analysis with popularity baseline and random baseline shows an improvement in the MAP@3 metric by 3.89 times relative to recommending popular groups and by 4045.9 times relative to random recommendation. The study is based on data from the OK social network, including information about 159,685 users and 54,425 communities.

 рекомендательные системы графовые нейронные сети машинное обучение персонализация социальные сети коллаборативная фильтрация эмбеддинги recommendation systems graph neural networks machine learning personalization social networks collaborative filtering embeddings Исследование выполнено без спонсорской поддержки. The study was performed without external funding. References Koren Y., Bell R., Volinsky Ch. Matrix Factorization Techniques for Recommender Systems. Computer. 2009;42(8):30–37. https://doi.org/10.1109/MC.2009.263 Guo H., Tang R., Ye Y., et al. DeepFM: A Factorization-Machine based Neural Network for CTR Prediction. In: IJCAI '17: Proceedings of the 26th International Joint Conference on Artificial Intelligence, 19–25 August 2017, Melbourne, Australia. International Joint Conferences on Artificial Intelligence; 2017. P. 1725–1731. https://doi.org/10.24963/ijcai.2017/239 Wu Z., Pan Sh., Chen F., et al. A Comprehensive Survey on Graph Neural Networks. IEEE Transactions on Neural Networks and Learning Systems. 2021;32(1):4–24. https://doi.org/10.1109/TNNLS.2020.2978386 Zhou G., Zhu X., Song Ch., et al. Deep Interest Network for Click-Through Rate Prediction. In: KDD '18: Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, 19–23 August 2018, London, UK. New York: ACM; 2018. P. 1059–1068. https://doi.org/10.1145/3219819.3219823 Wang X., He X., Wang M., et al. Neural Graph Collaborative Filtering. In: SIGIR '19: Proceedings of the 42nd International ACM SIGIR Conference on Research and Development in Information Retrieval, 21–25 July 2019, Paris, France. New York: ACM; 2019. P. 165–174. https://doi.org/10.1145/3331184.3331267 He X., Deng K., Wang X., et al. LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation. In: SIGIR '20: Proceedings of the 43rd International ACM SIGIR Conference on Research and Development in Information Retrieval, 25–30 July 2020, Virtual Event. New York: ACM; 2020. P. 639–648. https://doi.org/10.1145/3397271.3401063 Fan W., Ma Y., Li Q., et al. Graph Neural Networks for Social Recommendation. In: WWW '19: The World Wide Web Conference, 13–17 May 2019, San Francisco, CA, USA. New York: ACM; 2019. P. 417–426. https://doi.org/10.1145/3308558.3313488 Devlin J., Chang M.-W., Lee K., et al. BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. In: NAACL-HLT 2019: Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, 02–07 June 2019, Minneapolis, MN, USA. Association for Computational Linguistics; 2019. P. 4171–4186. https://doi.org/10.18653/v1/N19-1423 Rendle S., Freudenthaler Ch., Gantner Z., et al. BPR: Bayesian Personalized Ranking from Implicit Feedback. In: UAI '09: Proceedings of the Twenty-Fifth Conference on Uncertainty in Artificial Intelligence, 18–21 June 2009, Montreal, QC, Canada. Corvallis: AUAI Press; 2009. P. 452–461. Ying R., He R., Chen K., et al. Graph Convolutional Neural Networks for Web-Scale Recommender Systems. In: KDD '18: Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, 19–23 August 2018, London, UK. New York: ACM; 2018. P. 974–983. https://doi.org/10.1145/3219819.3219890

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