Гібридна рекомендаційна система для підтримки UI/UX дизайнерів

Abstract

Розроблено гібридну рекомендаційну систему для підтримки UI/UX-дизайнерів, спрямовану на оптимізацію пошуку релевантної інформації та скорочення часу, необхідного для практичного створення веб-інтерфейсів. Поєднання методів колаборативної фільтрації та фільтрації вмісту дає змогу суттєво підвищити точність і релевантність рекомендацій для користувачів. Система кластеризації публікацій аналізує їхні ключові слова та час ознайомлення з контентом, що допомагає уникнути проблеми «холодного старту».

Для створення гібридної рекомендаційної системи розроблено комплексну методику, яка складається з таких етапів: отримання вхідних даних, їх попередня обробка, кластеризація та побудова класифікатора; формування бази знань і генерація рекомендацій; а також збір даних про користувачів, формування бази даних і аналіз користувацьких запитів для запобігання проблемі «холодного старту».

Застосовані методи кластеризації та класифікації, зокрема з використанням машинного навчання, забезпечили точність рекомендаційної системи на рівні 97%, що підтверджується низьким значенням середньоквадратичної помилки (RMSE = 1.21) та високими оцінками користувачів. Це сприяє підвищенню ефективності роботи дизайнерів завдяки наданню індивідуальних рекомендацій на основі їхніх запитів.