Please use this identifier to cite or link to this item: https://er.chdtu.edu.ua/handle/ChSTU/10264
Title: Інформаційна система динамічного прогнозування інтересів користувача на основі контекстно-залежних даних
Authors: СКУЦЬКИЙ, Артем
ПОЛІЩУК, Максим
Keywords: РЕКОМЕНДАЦІЙНА СИСТЕМА;КОНТЕКСТНО- ЗАЛЕЖНА ПЕРСОНАЛІЗАЦІЯ;БРАУЗЕРНЕ РОЗШИРЕННЯ;TF-IDF;КОСИНУСНА ПОДІБНІСТЬ;ПРОФІЛЬ КОРИСТУВАЧА;NODE.JS;MARIADB
Issue Date: 2026
Abstract: Кваліфікаційна робота бакалавра на тему «Інформаційна система динамічного прогнозування інтересів користувача» містить 102 сторінки, 20 рисунків, 9 таблиць, 11 формул, список використаних джерел з 32 найменувань та 2 додатки. Метою виконання кваліфікаційної роботи бакалавра є є проектування і розробка інформаційної системи динамічного прогнозування інтересів користувача на основі контекстно-залежних даних, яка забезпечує адаптивну персоналізацію в режимі реального часу. Головні завдання при проектуванні системи включають аналіз існуючих рекомендаційних систем та методів персоналізації, розробку архітектури браузерного розширення з серверним компонентом, проектування реляційної бази даних, математичне обґрунтування алгоритмів TF-IDF та косинусної подібності, реалізацію модуля збору контекстних даних і модуля рекомендацій, а також проведення функціонального тестування системи. Об’єктом роботи є процес динамічного формування та оновлення профілю інтересів користувача в інформаційних системах з урахуванням контекстно-залежних даних. Предметом розробки є методи та алгоритми динамічного моделювання інтересів користувача з урахуванням змін контексту та історії взаємодії в інформаційній системі. Вирішено наступні поставлені задачі: аналіз і порівняння алгоритмів персоналізації, розробка повнофункціонального прототипу інформаційної системи на основі Node.js та MariaDB, математична формалізація алгоритмів рекомендацій, тестування та оцінка ефективності розробленої системи.
URI: https://er.chdtu.edu.ua/handle/ChSTU/10264
Appears in Collections:123 Комп’ютерна інженерія (Комп'ютерні системи та мережі)

Files in This Item:
File Description SizeFormat 
РОБОТА_Поліщук_ДРУК-merged.pdf
  Restricted Access
2.78 MBAdobe PDFView/Open Request a copy


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.

Extracted text
МІНІСТЕРСТВО ОСВІТИ І НАУКИ УКРАЇНИ
ЧЕРКАСЬКИЙ ДЕРЖАВНИЙ ТЕХНОЛОГІЧНИЙ УНІВЕРСИТЕТ
ФАКУЛЬТЕТ ІНФОРМАЦІЙНИХ ТЕХНОЛОГІЙ І СИСТЕМ
КАФЕДРА ІНФОРМАЦІЙНОЇ БЕЗПЕКИ ТА КОМП’ЮТЕРНОЇ ІНЖЕНЕРІЇ
ПОЯСНЮВАЛЬНА ЗАПИСКА
до кваліфікаційної роботи бакалавра
на тему: «Інформаційна система динамічного
прогнозування інтересів користувача на основі
контекстно-залежних даних»
ЧДТУ.262210.009 ПЗ
Виконав: студент 4 курсу, групи КМ-2205
спеціальності 123 Комп’ютерна інженерія
за освітньою програмою – «Комп’ютерні
системи та мережі»
Максим ПОЛІЩУК
Керівник
PhD, ст. викладач
Артем СКУЦЬКИЙ
Рецензент
к.т.н., старший викладач кафедри
інформаційних технологій Черкаського
Національного університету
ім. Б. Хмельницького
Тетяна СТАБЕЦЬКА
«ЗАХИСТ ДОЗВОЛЯЮ»
Завідувач кафедри ІБ та КІ
к.т.н., доцент ______Артем ЛАВДАНСЬКИЙ
Форма № Н-9.01
ЧЕРКАСЬКИЙ ДЕРЖАВНИЙ ТЕХНОЛОГІЧНИЙ УНІВЕРСИТЕТ
Факультет: інформаційних технологій і систем
Кафедра: інформаційної безпеки та комп’ютерної інженерії
Освітньо-кваліфікаційний рівень: Бакалавр
Спеціальність 123 – Комп’ютерна інженерія
Освітня програма Комп’ютерні системи та мережі
«ЗАТВЕРДЖУЮ»
Завідувач кафедри ІБ та КІ
к.т.н., доцент __________ Артем ЛАВДАНСЬКИЙ
«16» березня 2026 року
ЗАВДАННЯ
на кваліфікаційну роботу бакалавра студенту
Поліщуку Максиму Романовичу
(прізвище, ім‘я, по батькові)
1. Тема роботи: Інформаційна система динамічного прогнозування інтересів
користувача
Керівник роботи: доктор філософії, старший викладач Скуцький Артем Борисович
(прізвище, ім’я, по батькові, науковий ступінь, вчене звання)
затверджені наказом університету від «12» березня 2026 р. № 56/03-03
2. Строк подання студентом роботи:
3. Вихідні дані до роботи:
1. Мова програмування JavaScript ;
2. Користувацький інтерфейс на React;
3. Прогнозування без використання інструментів машинного навчання;
4. Час відгуку системи рекомендації не більше 200мс;
5. Локальна система.
4. Зміст розрахунково-пояснювальної записки (перелік питань, що їх належить розробити):
Вступ
1. Аналіз предметної галузі та огляд існуючих рішень
2. Аналіз об’єкту розробки та проектування системи
3. Математичне обґрунтування методів обробки даних та алгоритмів рекомендацій
4. Програмна реалізація системи
5. Тестування та інтерфейс взаємодії користувача з системою
Висновки
Додатки
Список використаних джерел.
5. Перелік графічного матеріалу (з точним зазначенням обов’язкових креслень, плакатів):
1. Специфікація на програму
2. Текст програми
6. Консультанти розділів роботи:
Розділ Прізвище, ініціали Підпис, дата
консультанта завдання видав завдання прийняв
7. Дата видачі завдання: 16 березня 2026 року
КАЛЕНДАРНИЙ ПЛАН
Термін
№ з/п Назва етапів роботи виконання Примітка
етапів роботи
1 Дослідження предметної галузі та аналіз виконано
існуючих рішень 17.03 – 24.03
2 Обробка матеріалів 25.03 – 01.04 виконано
3 Проєктування архітектури та розробка виконано
математичного апарату 02.04 – 14.04
4 Програмна реалізація компонентів системи 15.04 – 22.04 виконано
5 Розробка модуля збору даних 24.04 виконано
6 Розробка модуля зберігання даних 26.04 виконано
7 Розробка модуля формування рекомендацій 29.04
8 Тестування, інтеграція та локальне розгортання 30.04 – 04.05 виконано
9 Розробка графічного матеріалу 05.05 виконано
10 Попередній захист роботи (передзахист) 06.05 виконано
11 Подання роботи на відгук та рецензування 13.05 виконано
12 Захист роботи
Студент ___________________________ Максим ПОЛІЩУК
(підпис)
Керівник роботи ___________________________ Артем СКУЦЬКИЙ
(підпис)
АНОТАЦІЯ
Кваліфікаційна робота бакалавра на тему «Інформаційна система
динамічного прогнозування інтересів користувача» містить 102 сторінки,
20 рисунків, 9 таблиць, 11 формул, список використаних джерел з
32 найменувань та 2 додатки.
Метою виконання кваліфікаційної роботи бакалавра є є проектування і
розробка інформаційної системи динамічного прогнозування інтересів
користувача на основі контекстно-залежних даних, яка забезпечує адаптивну
персоналізацію в режимі реального часу.
Головні завдання при проектуванні системи включають аналіз існуючих
рекомендаційних систем та методів персоналізації, розробку архітектури
браузерного розширення з серверним компонентом, проектування реляційної
бази даних, математичне обґрунтування алгоритмів TF-IDF та косинусної
подібності, реалізацію модуля збору контекстних даних і модуля
рекомендацій, а також проведення функціонального тестування системи.
Об’єктом роботи є процес динамічного формування та оновлення
профілю інтересів користувача в інформаційних системах з урахуванням
контекстно-залежних даних.
Предметом розробки є методи та алгоритми динамічного моделювання
інтересів користувача з урахуванням змін контексту та історії взаємодії в
інформаційній системі.
Вирішено наступні поставлені задачі: аналіз і порівняння алгоритмів
персоналізації, розробка повнофункціонального прототипу інформаційної
системи на основі Node.js та MariaDB, математична формалізація алгоритмів
рекомендацій, тестування та оцінка ефективності розробленої системи.
Ключові слова: РЕКОМЕНДАЦІЙНА СИСТЕМА, КОНТЕКСТНО-
ЗАЛЕЖНА ПЕРСОНАЛІЗАЦІЯ, БРАУЗЕРНЕ РОЗШИРЕННЯ, TF-IDF,
КОСИНУСНА ПОДІБНІСТЬ, ПРОФІЛЬ КОРИСТУВАЧА, NODE.JS,
MARIADB.
ABSTRACT
Bachelor's qualification work on the topic "Information system for dynamic
prediction of user interests" contains 102 pages, 20 figures, 9 tables, 11 formulas, a
list of used sources with 32 names and 2 appendices.
The purpose of the bachelor's qualification work is to design and develop an
information system for dynamic prediction of user interests based on context-
dependent data, which provides adaptive personalization in real time.
The main tasks in designing the system include the analysis of existing
recommendation systems and personalization methods, the development of the
architecture of a browser extension with a server component, the design of a
relational database, the mathematical substantiation of TF-IDF and cosine similarity
algorithms, the implementation of the contextual data collection module and the
recommendation module, as well as the functional testing of the system.
The object of the work is the process of dynamic formation and updating of
the user's interest profile in information systems taking into account context-
dependent data.
The subject of the development is methods and algorithms for dynamic
modeling of user interests taking into account changes in the context and history of
interaction in the information system.
The following tasks were solved: analysis and comparison of personalization
algorithms, development of a fully functional prototype of an information system
based on Node.js and MariaDB, mathematical formalization of recommendation
algorithms, testing and evaluation of the effectiveness of the developed system.
Keywords: RECOMMENDATION SYSTEM, CONTEXT-SENSITIVE
PERSONALIZATION, BROWSER EXTENSION, TF-IDF, COSINE
SIMILARITY, USER PROFILE, NODE.JS, MARIADB.
ЗМІСТ
ВСТУП..............................................................................................................8
1 АНАЛІЗ ПРЕДМЕТНОЇ ГАЛУЗІ ТА ОГЛЯД ІСНУЮЧИХ РІШЕНЬ.13
1.1 Актуальність теми та постановка проблеми...............................13
1.2 Огляд існуючих підходів до побудови рекомендаційних систем
...............................................................................................................14
1.3 Огляд існуючих програмних рішень у сфері персоналізації ....16
1.4 Аналіз алгоритмів обробки даних...............................................17
1.5 Вибір технологічного стеку та обґрунтування архітектурних
рішень...................................................................................................19
1.6 Вимоги до інформаціної системи та ключові етапи розробки .19
Висновки до розділу 1 ........................................................................ 21
2 АНАЛІЗ ОБ’ЄКТУ РОЗРОБКИ ТА ПРОЕКТУВАННЯ СИСТЕМИ....23
2.1 Опис загальної концепції системи...............................................23
2.2 Обґрунтування вибору технологій..............................................25
2.3 Склад і функції компонентів системи.........................................28
2.4 Аналіз вхідних даних та контекстних сигналів..........................29
2.5 Конвеєр обробки даних та формування рекомендацій..............31
2.6 Cтруктура бази даних...................................................................33
Висновки до розділу 2 ........................................................................ 34
3 МАТЕМАТИЧНЕ ОБҐРУНТУВАННЯ МЕТОДІВ ОБРОБКИ ДАНИХ
ТА АЛГОРИТМІВ РЕКОМЕНДАЦІЙ........................................................36
3.1 Формальна модель контексту користувача ................................ 36
3.2 Математичне обґрунтування методу TF-IDF для побудови
текстових векторів...............................................................................37
3.3 Формування векторних представлень ознак .............................. 38
3.4 Застосування метрики косинусної подібності для оцінювання
ступеня схожості товарів....................................................................39
3.5 Алгоритм ранжування рекомендацій та модель профілю
користувача..........................................................................................40
ЧДТУ.262210.009 ПЗ
Змн. Арк. № докум. Підпис Дата
Розроб. Поліщук М.Р. Інформаційна система Літ. Арк. Акрушів
Перевір. СкуцькиВй динамічного прогнозування 6 102
Реценз. АС.тБа. бецька інтересів користувача на
Н. Контр. Гресько С.О. основі контекстно-
Т.А. залежних даних Кафедра ІБКІ, гр. КМ-
Затверд. Лавданський Пояснювальна записка 2205
А.О.
3.6 Алгоритм побудови зовнішніх рекомендацій............................41
3.7 Математичне обґрунтування механізму регресії пріоритетів...43
Висновки до розділу 3 ........................................................................ 44
4 ПРОГРАМНА РЕАЛІЗАЦІЯ СИСТЕМИ................................................46
4.1 Реалізація модуля збору даних .................................................... 46
4.2 Реалізація модуля зберігання даних............................................49
4.3 Реалізація модуля формування рекомендацій............................50
4.4 Контекстне зважування рекомендацій........................................53
4.5 Реалізація модуля зовнішніх рекомендацій................................57
4.6 Реалізація клієнтського інтерфейсу.............................................59
Висновки до розділу 4 ........................................................................ 60
5 ТЕСТУВАННЯ ТА ІНТЕРФЕЙС ВЗАЄМОДІЇ КОРИСТУВАЧА З
СИСТЕМОЮ.................................................................................................62
5.1 Опис інтерфейсу системи.............................................................62
5.2 Тестування системи ...................................................................... 69
5.3 Локальне розгортання та характеристики тестового середовища
...............................................................................................................73
5.4 UML-діаграма послідовності взаємодії компонентів................77
Висновки до розділу 5 ........................................................................ 81
ВИСНОВКИ...................................................................................................82
ДОДАТКИ:
А - 482.ЧДТУ.62211-01 Інформаційна система динамічного
прогнозування інтересів користувача на основі контекстно
залежних даних
СПИСОК ВИКОРИСТАНИХ ДЖЕРЕЛ...................................................100
Арк.
ЧДТУ.262210.009 ПЗ
Змн. Арк. № докум. Підпис Дата 7
ВСТУП
Актуальність теми. Стрімкий розвиток цифрових технологій та масове
поширення інтернет-сервісів зумовили кардинальні зміни у взаємодії між
користувачами та інформаційними системами. Сучасний користувач щодня
стикається з надлишком інформаційних потоків, і здатність системи своєчасно
й точно визначати його поточні інтереси набуває вирішального значення для
забезпечення якісного та персоналізованого досвіду.
Класичні підходи до персоналізації — такі як колаборативна фільтрація
(collaborative filtering), контентна фільтрація (content-based filtering) та
гібридні методи [1, 2] — ґрунтуються на побудові статичних профілів
користувача, що формуються на основі його явних уподобань або накопиченої
історії взаємодії з системою. Проте дослідження у галузі аналітики [3, 4]
переконливо свідчать про те, що інтереси людини мають виражений
динамічний характер: вони варіюються залежно від часу доби, дня тижня,
поточного місцезнаходження, емоційного стану та численних інших
ситуаційних чинників. Система, що не враховує ці чинники, приречена
пропонувати нерелевантний контент навіть користувачу зі значною
накопиченою взаємодією.
Практичне втілення контекстно-залежної персоналізації вже реалізовано
у низці провідних комерційних платформ. Алгоритми контекстного
ранжування Google враховують геолокацію, мову та пристрій користувача;
системи рекомендацій Amazon і Netflix адаптують пропозиції залежно від часу
доби та поведінки в поточній сесії; механізми динамічного таргетування
реклами Meta аналізують соціальний контекст і емоційні сигнали.[5]
Концепція контекстно-залежних інформаційних систем виникла як
відповідь на ці обмеження. Контекст у широкому розумінні охоплює будь-яку
інформацію, що може бути використана для характеристики ситуації, в якій
перебуває суб’єкт взаємодії. До контекстних параметрів відносять часові
Арк.
ЧДТУ.262210.009 ПЗ
Змн. Арк. № докум. Підпис Дата 8
характеристики (поточний час, тривалість сесії, частота відвідувань),
просторові дані (геолокація, тип місця — вдома, на роботі, у дорозі), пристрій
і спосіб доступу, соціальний контекст, а також поведінкові сигнали —
послідовність дій, тривалість перегляду, характер взаємодії з контентом.
Динамічне прогнозування інтересів користувача є логічним розвитком
контекстно-залежного підходу: замість того щоб лише реагувати на поточний
контекст, система передбачає, які потреби виникнуть у користувача в
найближчому майбутньому на основі аналізу часових закономірностей зміни
контексту та інтересів. Така персоналізація дозволяє скоротити затримку між
виникненням потреби і отриманням відповідного контенту, що суттєво
поліпшує загальний користувацький досвід.
Зважаючи на значний розвиток інформаційних технологій, зокрема
хмарних сервісів, інструментів SMM-просування, а також підвищені вимоги
до якості користувацького інтерфейсу та досвіду (UI/UX), доцільно розробити
інформаційну систему динамічного прогнозування інтересів користувача на
основі контекстно-залежних даних, яка забезпечить адаптивну персоналізацію
в режимі реального часу інтегруватись у сучасні веб-платформи через
стандартний програмний інтерфейс.[6]
Мета та задачі кваліфікаційної роботи.Метою кваліфікаційної роботи
є проектування і розробка інформаційної системи динамічного прогнозування
інтересів користувача на основі контекстно-залежних даних, яка забезпечує
адаптивну персоналізацію в режимі реального часу.
Для досягнення поставленої мети необхідно вирішити такі задачі:
1) провести огляд та порівняльний аналіз існуючих підходів до
моделювання інтересів користувачів, методів контекстно-залежної
персоналізації та рекомендаційних систем;
2) дослідити та класифікувати типи контекстних даних, що можуть бути
використані для прогнозування інтересів, визначити способи їх збору,
нормалізації та векторного представлення;
Арк.
ЧДТУ.262210.009 ПЗ
Змн. Арк. № докум. Підпис Дата 9
3) проаналізувати алгоритми обробки даних, зокрема методи
колаборативної фільтрації (SVD, NMF) та алгоритми аналізу часових
послідовностей, з точки зору придатності для задачі динамічного
прогнозування;
4) розробити загальну архітектуру інформаційної системи з визначенням
її компонентів, інтерфейсів взаємодії та потоків даних;
5) спроектувати багатовимірну модель контексту користувача, що
інтегрує різнорідні контекстні сигнали у єдиний вектор представлення для
використання у прогностичних алгоритмах;
6) реалізувати програмний прототип системи, включаючи модуль збору
контекстних даних, модуль побудови профілю користувача та прогностичний
модуль;
7) провести функціональне тестування розробленого прототипу та
оцінити ефективність запропонованого підходу у порівнянні з базовими
алгоритмами за стандартними метриками якості рекомендаційних систем.
Об’єктом кваліфікаційної роботи є процес динамічного формування
та оновлення профілю інтересів користувача в інформаційних системах з
урахуванням контекстно-залежних даних.
Предмет кваліфікаційної роботи є методи та алгоритми динамічного
моделювання інтересів користувача з урахуванням змін контексту та історії
взаємодії в інформаційній системі.
У роботі використано комплекс методів дослідження, обраних
відповідно до специфіки поставлених завдань. На етапі аналізу існуючих
рішень застосовано методи системного огляду літератури та порівняльного
аналізу. При проєктуванні системи використано методи об’єктно-
орієнтованого аналізу та проєктування, а також нотацію UML для побудови
діаграм класів, варіантів використання та послідовностей.
Практичне значення отриманих результатів полягає у розробці
програмного забезпечення, яке автоматизує процес прогнозування інтересів
Арк.
ЧДТУ.262210.009 ПЗ
Змн. Арк. № докум. Підпис Дата 10
користувачів. Розроблена система може бути використана у якості модулю
розширення для рекомендаційних сервісів, новинних порталів або платформ
електронної комерції для підвищення релевантності контенту або
інтегрований у існуючі інформаційні платформи через програмний
інтерфейс (API).
Програмний прототип системи реалізовано з використанням
поширеного технологічного стеку: Node.js —серверна частина для побудови
REST API з підтримкою асинхронної обробки запитів; React Vite — клієнтська
частина для побудови інтерактивного інтерфейсу користувача; MariaDB —
реляційна СУБД для зберігання профілів користувачів, контекстних даних та
історії взаємодій.
Структура та обсяг роботи. Кваліфікаційна робота складається зі
вступу, п’яти розділів, висновків, списку використаних джерел та трьох
додатків. Загальний обсяг роботи становить 102 сторінки.
У першому розділі здійснено огляд підходів до моделювання інтересів
користувачів, проаналізовано існуючі рекомендаційні системи та розглянуто
методи контекстної персоналізації у результаті сформовано початкові вимоги
до системи, що розробляється.
Другий розділ присвячено детальному розгляду та порівнянню методів,
що можуть бути застосовані для вирішення задачі динамічного прогнозування
інтересів, зокрема колаборативної фільтрації, матричної факторизації (SVD,
NMF) та методів аналізу часових послідовностей поведінки користувача. На
основі отриманих результатів обгрунтовано вибір алгоритмів прогнозування
для подальшої програмної реалізації.
У третьому розділі наведено математичний опис алгоритмів
рекомендацій, які використано в системі динамічного прогнозування
контекстно-залежних даних.
Четвертий розділ присвячено опису практичної реалізації системи з
використанням обраного технологічного стеку (Node.js, React Vite, MariaDB).
Арк.
ЧДТУ.262210.009 ПЗ
Змн. Арк. № докум. Підпис Дата 11
Наведено структуру бази даних, опис серверної та клієнтської частин, а також
програмний інтерфейс взаємодії між компонентами.
У п’ятому розділі описано інтерфейс розробленого програмного
прототипу, наведено сценарії роботи користувача в системі, а також
результати її функціонального тестування. Здійснено оцінку ефективності
запропонованого підходу та побудовано відповідні UML-діаграми.
Арк.
ЧДТУ.262210.009 ПЗ
Змн. Арк. № докум. Підпис Дата 12
13
1 АНАЛІЗ ПРЕДМЕТНОЇ ГАЛУЗІ ТА ОГЛЯД ІСНУЮЧИХ РІШЕНЬ
1.1 Актуальність теми та постановка проблеми
Сучасний етап розвитку інформаційного суспільства
характеризується щоденною взаємодією користувачів із великою кількістю
вебсервісів, включаючи платформи електронної комерції, новинні портали
та пошукові системи. У цих умовах ефективне функціонування вебресурсів
безпосередньо залежить від їхньої здатності адаптувати контент до
індивідуальних потреб аудиторії, що зумовлює високу актуальність
впровадження методів персоналізації.
Наявні системи персоналізації переважно орієнтовані на побудову
статичного профілю користувача, що базується на ретроспективних даних
про його попередні перегляди чи транзакції. Проте такий підхід не враховує
динамічний характер людських інтересів, які суттєво залежать від
поточного контексту (наприклад, часу доби, типу поточної діяльності чи
пристрою взаємодії). Ігнорування фактора контекстуальності призводить
до зниження релевантності рекомендацій та неефективного функціонування
системи в умовах швидкої зміни інформаційних потреб користувача.
Тому є актуальною розробка системи, що враховуватиме не лише
накопичену історію переглядів, але й контекстну складову: час доби,
місцезнаходження, погоду та поточну поведінку на сайті.[7]
Схожі рішення вже існують у великих компаніях: Google враховує
геолокацію та пристрій при пошуку; Amazon змінює рекомендації залежно
від поточної сесії перегляду; Netflix адаптує добірки фільмів залежно від
часу доби. Однак зазначені системи є комерційними закритими рішеннями.
У даній кваліфікаційній роботі показано основні елементи системи,
яка розробляється у вигляді браузерного розширення. Така система у
режимі реального часу відстежує поведінку користувача на відвіданих
Арк.
ЧДТУ.[номер заліковки].[номер за
Змн. Арк. № докум. Підпис Дата 13
списком] ПЗ
14
сайтах і враховує контекст (час, погоду, геолокацію) та формує
персоналізовані товарні рекомендації. Система є однокористувацькою, всі
дані обробляються локально на пристрої, що забезпечує конфіденційність з
точки зору безпеки в мережі.
1.2 Огляд існуючих підходів до побудови рекомендаційних систем
Рекомендаційні системи – це програмні рішення, що аналізують
поведінку користувача і пропонують йому релевантний контент або товари.
Існує кілька основних підходів до їх побудови, загальну класифікацію яких
наведено на рисунку 1.1.
Колаборативна Контентна Гібридний Контекстно-
фільтрація фільтрація підхід залежний
(схожість між (характеристики (CF, CBF та (час, місце,
користувачами) товарів) нейромережі) погода)
Рисунок 1.1 – Класифікація підходів до побудови рекомендаційних систем
Колаборативна фільтрація (collaborative filtering) - один з
найпоширеніших підходів. Даний підхід працює за наступним принципом,
якщо два користувачі схоже поводились у минулому (переглядали або
купували однакові товари), то їхні майбутні уподобання теж будуть
схожими. Система знаходить схожих користувачів і на основі цього надає
рекомендації.
Контентна фільтрація (content-based filtering) - підхід, при якому
система аналізує характеристики самих товарів або матеріалів (назву,
категорію, ключові слова) і порівнює їх з тим, що користувач вже
переглядав. Перевагою такого підходу є відсутність потреби у даних інших
Арк.
ЧДТУ.[номер заліковки].[номер за
Змн. Арк. № докум. Підпис Дата 14
списком] ПЗ
15
користувачів. Недоліком є те, що система може обмежитись вузьким колом
схожих товарів.
Гібридні підходи передбачають поєднання обох підходів (контентної
та колаборативної фільтрації), нівелюючи їхні слабкі сторони. Наприклад,
Netflix, Spotify та YouTube використовують власні гібридні архітектури.
Контекстно-залежні системис – підхід, що явно враховує ситуацію
користувача при формуванні рекомендацій: час доби, день тижня,
місцезнаходження, поточна погода або тривалість перегляду.
У таблиці 1.1 наведено порівняльний аналіз основних підходів для
рекомендаційних систем.
Таблиця 1.1 – Порівняльний аналіз підходів до побудови
рекомендаційних систем
Підхід Принцип роботи Переваги Недоліки
Колаборативна Рекомендує те, що Не потребує опису Проблема холодного
фільтрація сподобалось товарів старту; не враховує
схожим контекст
користувачам
Контентна Порівнює Не потребує даних Обмежені
фільтрація характеристики інших користувачів; рекомендації; потрібні
товарів із прозорість метадані товарів
переглянутими
раніше
Гібридний підхід Поєднання Найвища точність Складність реалізації;
колаборативної та на практиці потребує великих
контентної даних
фільтрації
Контекстно- Враховує поточну Адаптується до Потребує збору
залежний ситуацію: час, ситуації; вирішує контекстних даних в
(обрано) місце, погоду, холодний старт реальному часі
поведінку
Реузльтати аналізу демонструють, що контекстно-залежний підхід
найбільш підходить для завдань даної роботи, оскільки дозволяє формувати
Арк.
ЧДТУ.[номер заліковки].[номер за
Змн. Арк. № докум. Підпис Дата 15
списком] ПЗ
16
персоналізовані рекомендації для одного користувача без необхідності
накопичувати великі бази даних інших користувачів.
1.3 Огляд існуючих програмних рішень у сфері персоналізації
Apache Mahout – одна з перших відкритих платформ для побудови
рекомендаційних систем. Розрахована на роботу у розподіленому
середовищі (кластерах серверів). Основний недолік — застаріла
архітектура, складне налаштування та відсутність підтримки контекстної
персоналізації.
LightFM та Surprise – Python-бібліотеки, орієнтовані переважно на
дослідницьке використання. LightFM поєднує колаборативну та контентну
фільтрацію, Surprise надає уніфікований інтерфейс для порівняння різних
алгоритмів. Обидві реалізують лише статичні моделі та не підтримують
оновлення профілю в реальному часі або роботу без серверної
інфраструктури.
RecBole та TensorFlow Recommenders (TFRS) – сучасні фреймворки
від наукової спільноти та Google відповідно. Містять десятки алгоритмів,
включаючи нейронні мережі. Однак вони орієнтовані на дослідницькі
сценарії: не мають готового REST API для розгортання, вимагають
потужного обладнання та значних обсягів навчальних даних.
Промислові системи (Netflix, YouTube, Spotify) реалізують найбільш
просунуті рішення: враховують контекст, поведінку в реальному часі та
постійно навчаються. Проте всі вони є закритими— їхній код недоступний,
і інтегрувати їх у власний продукт неможливо.[8]
Порівняльну характеристику розглянутих рішень наведено у
таблиці 1.2.
Арк.
ЧДТУ.[номер заліковки].[номер за
Змн. Арк. № докум. Підпис Дата 16
списком] ПЗ
17
Таблиця 1.2 – Порівняльна характеристика програмних рішень у сфері
персоналізації
Критерій Apache LightFM, RecBole, Розроблювана
Mahout Surprise TFRS система
Контекстна Відсутня Часткова Часткова Повна (час, погода,
персоналізація місце)
Робота без сервера Ні Ні Ні Так (локально у
браузері)
Оновлення Ні Ні Ні Так (EMA після
профілю в кожної сесії)
реальному часі
Потреба у GPU / Кластер Ні GPU бажано Ні (звичайний ПК)
великих даних серверів
Відкритий код Так Так Так Так
Придатність для Низька Низька Середня Висока
задачі роботи
Таким чином, відповідно до інформації з таблиці 1.2, існуючі відкриті
рішення не відповідає вимогам даної роботи в повному обсязі: всі вони або
потребують серверної інфраструктури, або не підтримують контекстну
персоналізацію в реальному часі, або орієнтовані на багатокористувацькі
системи з великими обсягами даних.
1.4 Аналіз алгоритмів обробки даних
Для реалізації рекомендаційного модуля системи необхідно
визначити та обрати методи та алгоритми, які не потребують потужне
обладнання, ШІ та навчання моделей при цьому мають забезпечити основні
функціональні вимоги. У роботі пропонується використати наступні методи
та алгоритми обробки даних користувача.
TF-IDF (Term Frequency – Inverse Document Frequency) – метод
перетворення тексту на числовий вектор. Обчислює, наскільки важливе
конкретне слово для опису певного товару відносно всіх інших товарів у
Арк.
ЧДТУ.[номер заліковки].[номер за
Змн. Арк. № докум. Підпис Дата 17
списком] ПЗ
18
базі. У результаті використання зазначеного методу часто вживані загальні
слова отримують низькі ваги, а рідкісні специфічні слова – високі. У
розроблювальній системі прогнозування метод TF-IDF використовується
для витягу ключових слів із веб-сторінок і побудови числового опису
кожного переглянутого товару.
Косинусна подібність – математична міра, що показує, наскільки
схожі два вектори. У розроблювальній системі прогнозування
використовується для порівняння числових описів товарів між собою та з
профілем користувача. При значенні від 0 (абсолютно різні товари) до 1
(ідентичні товари). Ця міра є інваріантною до довжини опису товару, що
важливо, адже різні сторінки можуть мати різний обсяг тексту.
Експоненціальне ковзне середнє (EMA, Exponential Moving
Average) – метод оновлення інтересів профіля користувача. Після кожної
нової сесії перегляду профіль оновлюється з урахуванням нових даних. Це
дозволяє системі адаптуватися до змін інтересів користувача з часом, не
зберігаючи всю повну історію.[9-12]
Контекстне зважування – механізм коригування рангу рекомендацій
залежно від поточної ситуації. Наприклад, товари для активного відпочинку
отримують підвищений пріоритет у сонячну погоду, а товари для дому – у
дощову. Цей механізм детально описано у підрозділі 4.4.
Порівняно з більш складними підходами, нейронними мережами,
трансформерами, матричною факторизацією, запропоновані методи мають
суттєву перевагу: вони не потребують тривалого навчання, GPU-
обладнання і працюють безпосередньо у браузері на пристрої користувача.
А також повністю забезпечують архітектурні механізми інформаційної
системи динамічного прогнозування інтересів користувача на основі
контекстно-залежних даних.
Арк.
ЧДТУ.[номер заліковки].[номер за
Змн. Арк. № докум. Підпис Дата 18
списком] ПЗ
19
1.5 Вибір технологічного стеку та обґрунтування архітектурних
рішень
На підставі проведеного аналізу наявних рішень та існуючих методів
обробки контекстно-залежних даних визначено технологічний стек для
реалізації інфорнаційної системи прогнозування.
Під час вибору інструментів ключовими критеріями була: простота
розгортання, мінімальні вимоги до серверної інфраструктури, висока
швидкість обробки запитів у режимі реального часу та ефективність
розробки в межах одного проєкту.
Враховуючи архітектурні вимоги до системи динамічного
прогнозування, використано такі технологічні рішення:
 Клієнтське розширення (модуль збору даних). Обрано мову JavaScript
відповідно до сучасного стандарту Manifest V3 для браузера Google
Chrome.
 Серверна частина (Backend) побудована за базі Node.js для спрощення
реалізації та підтримки системи.
 Аналітичний дашборд користувача (Frontend). Реалізовано як
односторінковий застосунок (single page application, SPA) на базі
бібліотеки React із використанням інструменту збирання Vite.
 Для збереження інформації використано реляційну СУБД MariaDB.
 Контейнеризація та розгортання. Усі компоненти системи зібрані в
єдине середовище за допомогою Docker для подальшого розгортання,
підрозділ 5.3.
Арк.
ЧДТУ.[номер заліковки].[номер за
Змн. Арк. № докум. Підпис Дата 19
списком] ПЗ
20
1.6 Вимоги до інформаціної системи та ключові етапи розробки
На підставі проведеного аналізу сформульовано наступні етапи
розробки та функціональні вимоги до системи прогнозування.
До етапів можна віднесено:
 розробка модуля збору даних;
 розробка серверної частину з REST API на Node.js та базою даних
MariaDB;
 реалізація алгоритму формування рекомендацій на основі TF-IDF
векторів та косинусної подібності;
 реалізація механізму контекстного зважування рекомендацій
залежно від часу доби, свят та погоди;
 розробка користувацького веб-інтерфейсу для відображення
рекомендацій та аналітики;
 тестування системи.
Функціональні вимоги до системи наступні, система має
забезпечувати:
 автоматичний збір ключових слів, категорії, бренду та ціни товару з
переглянутих веб-сторінок;
 вести відстеження часу активного перегляду кожної сторінки;
 формувати рекомендації схожих товарів;
 проводити коригування рекомендацій залежно від часу доби,
поточних свят та погоди;
 відображувати аналітику поточної сесії;
 мати зворотний зв’язок від користувача щодо корисності
сформованих рекомендацій системою.
Нефункціональні вимоги до системи наступні:
 час відгуку API при формуванні рекомендацій – не більше 200 мс;
Арк.
ЧДТУ.[номер заліковки].[номер за
Змн. Арк. № докум. Підпис Дата 20
списком] ПЗ
21
 усі персональні дані мають зберігатись локально на пристрої
користувача;
 система повинна коректно працювати навіть якщо деякі контекстні
дані (наприклад, геолокація) недоступні;
 розгортання системи повинно виконуватись через Docker
контейнер.[13]
Висновки до розділу 1
У першому розділі розглянуто предметну галузь роботи та
обґрунтовано доцільність розроблення системи динамічного прогнозування
інтересів користувача.
Встановлено, що традиційні системи персоналізації, засновані на
статичних профілях, не здатні враховувати ситуативні зміни інтересів
користувача. Контекстно-залежний підхід, що враховує час доби,
місцезнаходження та погоду, є найбільш підходящим для розв’язання
поставленої задачі.
Проведено порівняльний аналіз чотирьох підходів до побудови
рекомендаційних систем (таблиця 1.1) та наведено їх загальну класифікацію
на рисунку 1.1. Показано, що кожен підхід має свої обмеження, і жоден з
них у чистому вигляді не вирішує задачу даної роботи. Обрано поєднання
контентної та контекстно-залежної фільтрації як основи для реалізації.
Обрано алгоритми реалізації системи: TF-IDF для побудови текстових
векторів товарів, косинусна подібність для порівняння товарів між собою,
EMA для динамічного оновлення профілю користувача та контекстне
зважування для адаптації рекомендацій до поточної ситуації.
Розглянуто п’ять існуючих програмних рішень (таблиця 1.2) та
встановлено, що жодне з них не відповідає вимогам роботи. Це підтверджує
доцільність розробки власної системи прогнозування.
Арк.
ЧДТУ.[номер заліковки].[номер за
Змн. Арк. № докум. Підпис Дата 21
списком] ПЗ
22
Визначено технологічний стек (JavaScript, Node.js, MariaDB, React
Vite, Docker) та сформульовано функціональні й нефункціональні вимоги,
які є основою для подальшого розгляду реалізації інформаційної системи в
наступних розділах.
Арк.
ЧДТУ.[номер заліковки].[номер за
Змн. Арк. № докум. Підпис Дата 22
списком] ПЗ
23
2 АНАЛІЗ ОБ’ЄКТУ РОЗРОБКИ ТА ПРОЕКТУВАННЯ СИСТЕМИ
2.1 Опис загальної концепції системи
Інформаційна система динамічного прогнозування інтересів
користувача на основі контекстно-залежних даних «Smart Parser» функціонує
за принципом безперервного фонового моніторингу користувацької
активності.
Процес роботи системи полягає в автоматичному зборі та аналізі даних
під час перегляду користувачем вебсторінок товарів у браузері. Клієнтське
браузерне розширення здійснює синтаксичний аналіз (парсинг) контенту
сторінки, вилучаючи такі атрибути, як назва товару, його категорія, бренд,
вартість та ключові слова з текстового опису. Одночасно з цим фіксуються
поведінкові фактори, зокрема тривалість активного перебування користувача
на сторінці (навігація, прокручування контенту, кліки та переміщення курсора
миші).
Для підвищення точності прогнозування система враховує зовнішні
контекстні чинники. Наприклад, у разі зміни метеорологічних умов (зокрема,
за наявності опадів) алгоритм динамічно знижує пріоритет товарів для
активного відпочинку на відкритому повітрі та підвищує релевантність
товарів для дому.
Ключовою архітектурною особливістю розробленої системи є її повна
локальність. Усі процеси обробки, збереження та аналізу даних виконуються
безпосередньо на обчислювальному вузлі користувача без передачі
конфіденційної інформації на зовнішні сервери. Це забезпечує високий рівень
приватності та захисту персональних даних.
Загальну схему компонентів архітектури системи наведено на
рисунку 2.1.
Арк.
ЧДТУ.262210.010 ПЗ
Змн. Арк. № докум. Підпис Дата 23
24
Рівень 1 Рівень 2 Рівень 3
Браузерне
розширення → Серверна частина → База даних
Chrome Extension Node.js REST API
(Manifest V3)
content.js recommend.js
background.js scraper.js MariaDB
Збір та передача Обробка та Зберігання та
даних рекомендації профіль
↓
Аналітика та рекомендації
Рисунок 2.1 – Загальна архітектура системи «Smart Parser»
Архітектурно розроблену інформаційну систему диференційовано на
кілька функціональних рівнів, що взаємодіють між собою за допомогою чітко
визначених протоколів та інтерфейсів.
Браузерне розширення (рівень 1). Функціонує у фоновому режимі
(через архітектуру Service Worker) як автономний модуль моніторингу. Його
основним завданням є неінвазивна фіксація поведінкових чинників
користувача та первинний синтаксичний аналіз вмісту вебсторінок без
необхідності додаткової взаємодії з інтерфейсом з боку оператора системи.
Серверна частина (рівень 2). Виступає центральним аналітичним
компонентом системи. Backend-модуль приймає структуровані асинхронні
запити від клієнтського розширення, здійснює їх агрегацію, контекстну
Арк.
ЧДТУ.262210.010 ПЗ
Змн. Арк. № докум. Підпис Дата 24
25
фільтрацію та реалізує алгоритми динамічного прогнозування інтересів для
формування персоналізованих рекомендацій у режимі реального часу.
База даних MariaDB (рівень 3). Забезпечує персистентність (постійне
збереження) інформації поточної сесії, профілів інтересів, часових інтервалів
активності та журналів зворотного зв'язку. Реляційна модель гарантує
цілісність даних та високу швидкість виконання транзакцій.
Аналітика (рівень представлення даних). Позарівневий інтерфейсний
компонент користувача, реалізований як односторінковий застосунок (SPA).
Він забезпечує інтерактивну візуалізацію результатів прогнозування,
динамічної аналітики та сформованої матриці подібності товарів (product
similarity matrix), надаючи користувачеві зручний інструмент для моніторингу
власних інтересів.
2.2 Обґрунтування вибору технологій
Вибір технологій для реалізації системи здійснювався за трьома
головними критеріями: можливість реалізувати браузерне розширення,
простота розгортання без спеціалізованого обладнання, та доступність
технологій для самостійної розробки. Нижче наведено обґрунтування кожного
рішення.[14-16]
JavaScript та Chrome Extension (Manifest V3). Браузерне розширення є
єдиним способом отримати доступ до вмісту веб-сторінок у реальному часі
без участі користувача. Для цього браузер надає спеціальний API, і єдина мова,
якою можна писати розширення для Chrome - JavaScript. Стандарт Manifest
V3 є актуальним і підтримуваним Google, забезпечує безпечну роботу у
фоновому режимі через Service Worker та надає доступ до необхідних API
(chrome.tabs, webNavigation, geolocation). Альтернатив для вирішення цієї
задачі фактично немає - розширення для Firefox або Safari мають інший API
та менш поширені.
Арк.
ЧДТУ.262210.010 ПЗ
Змн. Арк. № докум. Підпис Дата 25
26
Node.js для серверної частини. Основна причина вибору Node.js - єдина
мова програмування для всього проекту (JavaScript). Це спрощує розробку і
підтримку: не потрібно перемикатися між мовами, немає розриву між кодом
розширення і сервера. Node.js добре підходить для легких REST API з
невеликим навантаженням - саме такий сценарій у даній системі (один
користувач, запити раз на кілька секунд). Альтернативою міг бути Python
(FastAPI), однак він потребував би встановлення окремого середовища та
ускладнив би обмін даними з JavaScript-компонентами.
MariaDB як система управління базою даних. Реляційну СУБД обрано
тому, що структура даних системи чітко визначена і не змінюється: кожен
товар завжди має назву, категорію, бренд, ціну та ключові слова. MariaDB
обрано замістьMySQL через більш відкритий вихідний код і кращу сумісність.
PostgreSQL не обирався через складнішу початкову конфігурацію. MongoDB
відхилено, оскільки для пошуку за ключовими словами в ній потрібно писати
значно складніші запити, ніж у реляційній базі. SQLite є простішою
альтернативою, однак вона погано справляється з одночасними запитами від
кількох користувачів і не призначена для розгортання у Docker-контейнері.
Порівняння СУБД наведено у таблиці 2.1.
Таблиця 2.1 – Порівняльний аналіз систем управління базою даних
Критерій MariaDB
(обрано) MongoDB PostgreSQL SQLite
Тип Реляційна Документна Реляційна Реляційна
Агрегація по
словах (IDF) Так (SQL) Складно Так (SQL) Частково
Docker- Офіційний Офіційний Офіційний Файл, без
розгортання образ образ образ сервера
Конкурентний
доступ Так Так Так Обмежено
Складність
налаштування Низька Низька Середня Дуже низька
Арк.
ЧДТУ.262210.010 ПЗ
Змн. Арк. № докум. Підпис Дата 26
27
Придатність
для задачі Висока Низька Висока Середня
React для клієнтського дашборду. React обрано як найпоширенішу
бібліотеку для побудови інтерактивних односторінкових застосунків.
Дашборд аналітики має п’ять вкладок з різним вмістом (графіки, таблиці,
теплова карта), і React дозволяє організувати їх як незалежні компоненти.
Збирач Vite забезпечує швидкий старт розробки. Альтернативи Vue.js або
Angular є повноцінними рішеннями, але мають вищий поріг входу і
надлишкову складність для застосунку такого масштабу.
Docker для розгортання. Упаковка системи у Docker Compose гарантує,
що система запуститься однаково на будь-якому комп’ютері без ручного
налаштування. Це є важливою перевагою при демонстрації роботи системи та
можливому хмарному розгортанні в майбутньому. Порівняння ключових
технологій за критеріями вибору наведено у таблиці 2.2.
Таблиця 2.2 – Обґрунтування вибору технологічного стеку
Компонент Обрана Альтернативна
технологія технологія Опис
Єдина мова для всього проекту;
Браузерне JS + Chrome Chrome - найпоширеніший
розширення MV3 Firefox WebExt браузер; MV3 - актуальний
стандарт
Та сама мова (JS), що й
Серверна
частина Node.js Python FastAPI розширення; простота
налаштування; легкий REST API
без зайвих залежностей
Арк.
ЧДТУ.262210.010 ПЗ
Змн. Арк. № докум. Підпис Дата 27
28
Компонент Обрана Альтернативна
технологія технологія Опис
MongoDB, Ефективні SQL-агрегації для
База даних MariaDB PostgreSQL, IDF; офіційний Docker-образ;
SQLite менша складність vs PostgreSQL
Дашборд Найпоширеніша UI-бібліотека;
(інтерфейс React + Vite Vue.js, Angular компонентна архітектура
аналітики) підходить для 5 вкладок;
швидкий старт
Одна команда для запуску;
Розгортання Docker Ручне ідентичне середовище на будь-
Compose встановлення якому комп’ютері; легкий
перенос на сервер
2.3 Склад і функції компонентів системи
Кожен компонент системи виконує чітко визначену функцію та
взаємодіє з іншими через визначені інтерфейси. Детальний опис компонентів
наведено у таблиці 2.3.
Поділ системи на незалежні компоненти забезпечує модульність: кожен
компонент можна замінити або оновити без зміни інших.
Таблиця 2.3 – Склад і функції компонентів системи
Арк.
ЧДТУ.262210.010 ПЗ
Змн. Арк. № докум. Підпис Дата 28
29
Компонент Технологія Функція Характеристика
content.js + background.js;
Браузерне відстеження часу на
розширення JS Manifest V3 Збір даних сторінці, аналіз вмісту
сторінки, послідовність
відвідувань
REST API: /track, /time,
Серверна частина Node.js Обробка та API /recommendations, /external,
/reset, /feedback
7 таблиць: items,
База даних MariaDB Зберігання item_keywords, item_tags,
item_colors, item_brands,
visits, feedback
Рекомендаційний Pipeline: словник → вектори
модуль recommend.js TF-IDF + Cosine → embeddings → матриця
N×N → ранжування
Зовнішні Parallel fetch hotline.ua
рекомендації scraper.js Веб-скрейпінг (Promise.all, до 4 запитів,
cheerio-парсинг)
Клієнтський 5 вкладок: Dashboard,
інтерфейс React + Vite Відображення Рекомендації, Hotline.ua,
Аналітика, Матриця
Статус сесії, топ-5 сторінок
Браузерне popup HTML/CSS/JS Швидкий доступ за релевантністю, кнопки
керування
Арк.
ЧДТУ.262210.010 ПЗ
Змн. Арк. № докум. Підпис Дата 29
30
2.4 Аналіз вхідних даних та контекстних сигналів
Система збирає шість груп вхідних даних, що описують поточний стан
та інтереси користувача. Кожна група є окремим виміром контексту і вносить
свій внесок у формування рекомендацій. Схему збору контекстних сигналів
наведено на рисунку 2.2.
Рисунок 2.2 – Схема збору та агрегації контекстних сигналів
Поведінковий вимір є найважливішим джерелом даних для ранжування
рекомендацій. Розширення відстежує час активної взаємодії з сторінкою через
модуль chrome.tabs і webNavigation API та зберігає послідовність відвіданих
URL. Лічильник активного часу збільшується лише при кліках, скролінгу або
русі миші за останні 5 секунд і лише коли вкладка видима в браузері, що
виключає пасивне очікування.[17-20]
Контентний вимір формується шляхом аналізу вмісту сторінки. Скрипт
content.js витягує текст із заголовку, мета-тегів та основного контенту
сторінки, відкидає стоп-слова та застосовує стемінг для об’єднання
словоформ. Результатом є вектор до 15 найважливіших ключових слів з
числовими вагами, що передається на сервер для подальшої обробки.
Арк.
ЧДТУ.262210.010 ПЗ
Змн. Арк. № докум. Підпис Дата 30
31
Часовий вимір містить інформацію про поточний час та день тижня. Для
збереження циклічної природи часу застосовується синусне та косинусне
кодування, завдяки цьому 23:00 і 00:00 обробляються як близькі значення, а
не протилежні.
Просторовий вимір визначається за допомогою navigator.geolocation
браузера. Координати перетворюються у геохеш та передаються на сервер при
зміні місцяположення користувача.
Погодний вимір отримується через OpenWeatherMap API на основі
координат геолокації і оновлюється кожні 30 хвилин. Температура, вологість
та опади входять до вектора стану як ознаки, що впливають на формування
рекомендацій.
Пошуковий вимір фіксує запити користувача в пошукових системах.:
скрипт розбирає URL сторінки з результатами пошуку і витягує значення
параметра ‘q=’, яке перетворюється у вектор ключових слів та передається на
сервер при кожному новому запиті.
Усі шість вимірів надходять до агрегатора контексту - компонента
серверної частини, що об’єднує дані від розширення з різних джерел в єдиний
запит до бази даних. Агрегатор приймає поведінкові, контентні, часові,
просторові, погодні та пошукові сигнали і передає їх на модуль рекомендацій.
Вектор стану S_t – це числове представлення поточного контексту
користувача в конкретний момент часу t. Формування вектору відбувається
шляхом об’єднання всіх зібраних вимірів в вектор-масив, який передається
модулю recommend.js. На основі цього вектора алгоритм обчислює косинусну
подібність між профілем інтересів користувача та векторами товарів з бази
даних і формує персоналізований список рекомендацій.
2.5 Конвеєр обробки даних та формування рекомендацій
Арк.
ЧДТУ.262210.010 ПЗ
Змн. Арк. № докум. Підпис Дата 31
32
Після збору вхідних даних система виконує їх обробку у п’ять
послідовних кроків, результатом яких є впорядкований список рекомендацій.
Схему конвеєерної обробки наведено на рисунку 2.3.
Рисунок 2.3 – Конвеєр обробки даних та формування рекомендацій
На першому кроці content.js збирає профіль товару (ключові слова,
категорію, бренд, колір, ціну). Отримані дані через background.js
надсилаються на сервер запитом POST /track. Одночасно відстежується час
активної взаємодії з сторінкою, який передається запитом POST /time при
закритті вкладки.
На другому кроці модуль recommend.js формує глобальний словник з
усіх унікальних слів корпусу та обчислює TF-IDF ваги для кожного слова
кожного товару. Загальновживані слова, що не несуть розрізняльної
інформації, виключаються до побудови словника, що зменшує розмірність
векторів.
На третьому кроці TF-IDF вектор доповнюється числовим кодуванням
структурованих атрибутів товару з різними ваговими коефіцієнтами: категорія
– 3.0, бренд – 2.0, колір – 1.0, домен – 0.5. Вища вага категорії гарантує, що
товари різних категорій не отримають високу подібність навіть при схожих
ключових словах.
Арк.
ЧДТУ.262210.010 ПЗ
Змн. Арк. № докум. Підпис Дата 32
33
На четвертому кроці будується матриця косинусної подібності N×N між
усіма товарами сесії. Значення від 0 (повністю різні товари) до 1 (ідентичні).
Пороговий рівень схожості – 0,15: рекомендації з нижчою подібністю не
відображаються.
На п’ятому кроці застосовується контекстний коефіцієнт (boost) і
формується фінальний рейтинг final_score = similarity × log(activeTime + 1) ×
boost.
2.6 Cтруктура бази даних
База даних MariaDB складається з семи таблиць, що утворюють просту
реляційну модель. Кожна таблиця відповідає за зберігання одного типу даних.
Структуру наведено у таблиці 2.5.
Таблиця 2.5 – Структура бази даних системи
Таблиця Основні поля Призначення
items id, url, title, category, brand, price, Переглянуті товари поточної
og_image, domain, created_at сесії
item_keywords item_id, word, score TF-IDF ключові слова кожного
товару
item_tags item_id, tag Теги (категорійні мітки) товарів
item_colors item_id, color Кольори товарів
item_brands item_id, brand Бренди товарів
visits url, active_time, scroll_depth, Час активного перегляду та
visit_count глибина прокрутки
Арк.
ЧДТУ.262210.010 ПЗ
Змн. Арк. № докум. Підпис Дата 33
34
feedback source_id, target_id, useful, Зворотний зв’язок: корисна /
created_at некорисна рекомендація
Таблиця items є головною в базі даних і містить по одному запису на
кожен унікальний товар, ідентифікований за URL-адресою. Якщо користувач
повторно відвідує ту саму сторінку, наявний запис оновлюється командою
UPDATE замість створення нового, що виключає дублювання даних. Час
активності користувача на сторінці зберігається у таблиці visits і
накопичується при кожному відвіданні, завдяки чому кілька переглядів однієї
сторінки за сесію враховуються коректно.
Атрибути товару розподілені по окремих таблицях: item_keywords,
item_colors, item_brands та item_tags. Такий підхід обрано замість зберігання
даних у форматі JSON, оскільки реляційна структура забезпечує ефективніше
виконання SQL-запитів з групуванням та фільтрацією.
Висновки до розділу 2
У другому розділі описано структуру інформаційної системи
динамічного прогнозування інтересів користувача на основі контекстно-
залежних даних «Smart Parser» та обґрунтовано ключові проєктні рішення.
Визначено загальну концепцію та принципи функціонування системи,
яка базується на пасивному зборі даних про переглянуті товари за допомогою
клієнтського браузерного розширення, їх подальшій обробці та формуванні
персоналізованих рекомендацій з урахуванням зовнішніх контекстних
чинників (часових інтервалів, метеорологічних умов та святкових днів). На
основі запропонованої концепції розроблено та наведено дворівневу
архітектуру системи (рисунок 2.1).
У підрозділі 2.2 наведено комплексне обґрунтування вибору елементів
технологічного стеку. Використання мови JavaScript та стандарту Chrome
Manifest V3 визначено як базову вимогу для забезпечення повної сумісності
Арк.
ЧДТУ.262210.010 ПЗ
Змн. Арк. № докум. Підпис Дата 34
35
та безпеки фонових процесів розширення. Вибір платформи Node.js як
серверної частини обумовлено можливістю побудови однорідного стеку
розробки на базі єдиної мови програмування, що суттєво оптимізує
архітектуру проєкту. Доцільність застосування СУБД MariaDB обґрунтовано
ефективністю виконання SQL-агрегацій за мінімальних вимог до
адміністрування інфраструктури (таблиця 2.1), а зв'язки React та інструменту
збирання Vite — високою швидкістю рендерингу компонентного інтерфейсу
користувача та оптимізацією фінального коду (таблиця 2.2).[21-22]
У межах структурного моделювання визначено склад восьми
функціональних компонентів системи (таблиця 2.3), охарактеризовано шість
вимірів вхідних контекстних сигналів (таблиця 2.4, рисунок 2.2) та детально
описано п’ятикроковий конвеєр (пайплайн) формування рекомендацій
(рисунок 2.3). Завершальним етапом проєктування стало створення структури
реляційної бази даних, яка складається з семи взаємопов’язаних
таблиць (таблиця 2.5).
Арк.
ЧДТУ.262210.010 ПЗ
Змн. Арк. № докум. Підпис Дата 35
36
3 МАТЕМАТИЧНЕ ОБҐРУНТУВАННЯМЕТОДІВ ОБРОБКИ ДАНИХ
ТА АЛГОРИТМІВ РЕКОМЕНДАЦІЙ
3.1 Формальна модель контексту користувача
Центральним поняттям розроблюваної системи є контекст користувача
- багатовимірне представлення ситуації, в якій відбувається взаємодія із веб-
сторінкою. Відповідно до формальної моделі, запропонованої у розділі 2,
контекст описується вектором:
c = (c_temporal, c_date, c_geo, c_weather, c_behavioral, c_item) ∈ ℝⁿ, (3.1)
де: c_temporal - темпоральні ознаки (година доби, день тижня, закодовані
циклічно);
c_date - дата та календарний контекст (місяць, наявність свят);
c_geo - геопозиція користувача (широта та довгота, нормалізовані);
c_weather - погодні умови (температура, опади, хмарність);
c_behavioral - поведінкові сигнали (activeTime, scrollDepth);
c_item - ознаки переглянутого товару (ключові слова, категорія, бренд,
ціна).
Слід зазначити, що складова c_date у поточній реалізації системи не
відстежується динамічно. Замість автоматичного розпізнавання дати
календарний контекст задається у вигляді заздалегідь визначеного списку
святкових та сезонних періодів з відповідними ваговими коефіцієнтами
підсилення.
Для темпоральних ознак застосовується кругове кодування:
h_sin = sin(2π · h / 24), h_cos = cos(2π · h / 24), (3.2)
де h - поточна година доби;
Таке кодування зберігає циклічну природу часу: години 23 і 0
залишаються близькими у просторі ознак, чого не можна досягти простою
нормалізацією. Аналогічно кодується день тижня. Поведінкові ознаки
Арк.
ЧДТУ.262210.010 ПЗ
Змн. Арк. № докум. Підпис Дата 36
37
activeTime та scrollDepth нормалізуються мінімакс-методом в межах поточної
сесії.
Темпоральний і поведінковий виміри найзручніші для автоматичного
збору без участі користувача, а ознаки товару безпосередньо відображають
його поточний інтерес до покупки.
Розмірність контекстного вектора c залежить від кількості активних
вимірів. У базовій конфігурації системи використовуються такі складові:
темпоральні ознаки дають 4 компоненти, геопозиція – 2, погодні умови –3,
поведінкові сигнали –2; розмірність складової c_item визначається розміром
словника vocabulary.
3.2 Математичне обґрунтування методу TF-IDF для побудови
текстових векторів
Ключовим завданням першого кроку обробки є перетворення текстового
профілю товару (множини ключових слів зі значеннями score) на числовий
вектор фіксованої розмірності. Для цього обрано зважену схему TF-IDF (Term
Frequency - Inverse Document Frequency). Спочатку обчислюється відносна
частота терміна у документі:
tf(t, d) = score(t, d) / Σ_{w∈d} score(w, d), (3.3)
де: t - термін (ключове слово);
d - документ (товар);
score(t, d) - значення рейтингу слова t у документі d.
Зворотна частота документа розраховується з логарифмічним
згладжуванням:
idf(t, D) = log((N + 1) / (df(t) + 1)) + 1, (3.4)
де: N - загальна кількість товарів у базі;
df(t) - кількість товарів, що містять слово t;
+1 - згладжувач у знаменнику, що запобігає діленню на нуль.
Арк.
ЧДТУ.262210.010 ПЗ
Змн. Арк. № докум. Підпис Дата 37
38
Підсумковий TF-IDF вектор товару формується як:
vec_d[idx(t)] = tf(t, d) · idf(t, D), (3.5)
де idx(t) - позиція слова t у глобальному словнику vocabulary;
Перевага TF-IDF над альтернативними підходами полягає в наступному.
На відміну від векторних представлень типу Word2Vec або FastText, TF-IDF
формує інтерпретовані вектори: кожна компонента відповідає конкретному
слову, що дозволяє зрозуміти, чому система запропонувала той чи інший
товар. Крім того, розріджені вектори TF-IDF не потребують GPU і
обчислюються достатньо швидко для забезпечення часу відгуку менше 200
мс.
Слова зі списку JUNK_KEYWORDS - загальновживані терміни, що не
несуть розрізняльної інформації - виключаються до побудови словника,
оскільки їхня вага у формулі IDF прямує до нуля при збільшенні корпусу.
Розмір словника vocabulary безпосередньо впливає на швидкість роботи
системи. Виключення JUNK_KEYWORDS скорочує його приблизно на
30–40% для типового набору товарів з українських інтернет-магазинів.
Стемінг додатково зменшує словник, об’єднуючи форми одного слова:
«смартфон», «смартфони», «смартфонний» зводяться до спільної основи. У
результаті для корпусу з 15–20 товарів словник містить від 80 до 200
унікальних термінів, що забезпечує час обчислення TF-IDF менше 5 мс.
3.3 Формування векторних представлень ознак
Текстовий TF-IDF вектор не охоплює структурованих атрибутів товару
- бренду, категорії, кольору, домену та ціни. Тому ці ознаки кодуються окремо
і додаються до TF-IDF вектора з різними ваговими коефіцієнтами. Кожен
атрибут представляється у вигляді бінарного вектора (так зване «one-hot»
кодування), де лише одна компонента дорівнює одиниці, що відповідає
конкретному значенню атрибуту:
Арк.
ЧДТУ.262210.010 ПЗ
Змн. Арк. № докум. Підпис Дата 38
39
emb(d) = [ tfidf(d) ‖ w_b·brand_oh ‖ w_c·color_oh ‖ w_k·cat_oh ‖
w_d·domain_oh ‖ p_norm ], (3.6)
де: ‖ - конкатенація векторів;
p_norm = price / max(price) - нормована ціна з діапазону [0, 1];
w_b = 2,0 - ваговий коефіцієнт бренду;
w_c = 1,0 - ваговий коефіцієнт кольору;
w_k = 3,0 - ваговий коефіцієнт категорії;
w_d = 0,5 - ваговий коефіцієнт домену.
Вибір вагових коефіцієнтів обґрунтовується таким чином:
– категорія (w_k = 3,0) отримує найвищу вагу, оскільки є головним
критерієм релевантності: смартфон і ноутбук не можуть бути схожими
товарами навіть якщо мають спільні ключові слова. Висока вага категорії
забезпечує низьку подібність між товарами різних груп;
– бренд (w_b = 2,0) є другим за важливістю, оскільки покупець, що
переглядає товар певного виробника, з більшою ймовірністю зацікавиться
іншим товаром того самого бренду;
– колір (w_c = 1,0) впливає на вибір, але не є визначальним - його вага
прирівнюється до ваги звичайних ключових слів;
– домен (w_d = 0,5) отримує найнижчу вагу, оскільки відображає лише
джерело даних, а не характеристику самого товару.
3.4 Застосування метрики косинусної подібності для оцінювання
ступеня схожості товарів
Для вимірювання схожості між між векторами двох товарів
використовується косинусна подібність. Вона показує кут між двома
векторами у багатовимірному просторі та обчислюється за формулою:
cos(a, b) = (a · b) / (‖a‖ · ‖b‖), (3.7)
де: a · b - скалярний добуток векторів;
Арк.
ЧДТУ.262210.010 ПЗ
Змн. Арк. № докум. Підпис Дата 39
40
‖a‖, ‖b‖ - евклідові норми векторів;
cos(a, b) ∈ [0, 1] - результат: 1,0 - ідентичні товари, 0,0 - повна відсутність
спільних ознак.
Цей метод обрано тому, що товари з детальнішим описом мають довший
вектор і порівняння за звичайною відстанню давало б некоректні результати.
Косинусна подібність не залежить від довжини вектора, тому порівняння є
однаково коректним для будь-яких товарів.
Схожість обчислюється між усіма парами товарів у сесії. Щоб не
виконувати зайвих обчислень, кожна пара розраховується лише один раз.
Товари з подібністю нижче 0,15 до результатів не включаються, оскільки
такий рівень означає що між товарами практично немає спільних ознак.
Порогове значення 0,15 було визначене експериментально. Під час
тестування перевірялися три варіанти: при значенні 0,10 близько третини
рекомендацій не мали змістовного зв’язку з переглянутим товаром; при
значенні 0,15 таких випадків стало значно менше; при значенні 0,20 система
взагалі не могла підібрати рекомендації для кожного п’ятого товару - поріг
виявився надто жорстким. Таким чином, значення 0,15 забезпечило
найкращий результат: рекомендації залишалися релевантними і при цьому
формувалися для більшості товарів.
3.5 Алгоритм ранжування рекомендацій та модель профілю
користувача
Після побудови матриці схожості формується впорядкований список
рекомендацій з урахуванням часу активного перегляду товару. Ранговий бал
рекомендації визначається формулою:
rank_score(a, b) = cos(a, b) × log(activeTime_a + 1), (3.8)
де: cos(a, b) - косинусна подібність між товаром-джерелом a і кандидатом
b;
activeTime_a - час активного перегляду товару a у секундах.
Арк.
ЧДТУ.262210.010 ПЗ
Змн. Арк. № докум. Підпис Дата 40
41
Логарифм використовується замість простого множення на час тому, що
різниця між 10 і 60 секундами перегляду є дійсно значущою, а от різниця між
5 і 10 хвилинами - вже ні, бо сторінка найімовірніше просто залишилась
відкритою у фоні. Логарифм згладжує цей ефект: товар переглянутий 10
хвилин отримує лише у 9 разів вищу вагу порівняно з товаром переглянутим
1 секунду, а не у 600 разів як було б при лінійному підході. Це зменшує вплив
«забутих» вкладок на результати.[23-25]
Товари-джерела для формування рекомендацій відбираються за умовою,
що час їх перегляду не нижчий за медіанне значення по сесії. Такий підхід
автоматично адаптується до довжини сесії і не потребує ручного
налаштування. Додатково застосовується фільтр якості: рекомендація
включається до результатів лише якщо між товарами є хоча б одна спільна
ознака - бренд, ключове слово або близька ціна (відхилення не більше 30%).
Модель профілю користувача формується як зважений середній вектор
усіх переглянутих товарів за поточну сесію:
profile = Σᵢ(activeTime_i · emb(i)) / Σᵢ activeTime_i, (3.9)
де: emb(i) - embedding-вектор i-го товару;
activeTime_i - час активного перегляду i-го товару.
Вектор profile відображає узагальнений інтерес користувача за поточну
сесію - фактично це «середній товар», який найкраще описує все що
користувач переглядав. Чим більше часу витрачено на певний товар, тим
сильніше він впливає на профіль. Наприклад, якщо користувач переглядав
переважно ноутбуки Samsung, вектор профілю буде близьким до векторів
ноутбуків цього бренду.
На основі цього вектора кожному товару з бази даних обчислюється
додатковий бал profile_score = cos(profile, emb(i)), який показує наскільки
товар відповідає загальному напрямку інтересів користувача за сесію. Цей бал
використовується разом із rank_score з формули (3.8): товари, що одночасно
Арк.
ЧДТУ.262210.010 ПЗ
Змн. Арк. № докум. Підпис Дата 41
42
схожі на конкретний переглянутий товар і відповідають загальному профілю
сесії, отримують вищий пріоритет у списку рекомендацій.
3.6 Алгоритм побудови зовнішніх рекомендацій
Окрім рекомендацій на основі переглянутих товарів, система також
формує зовнішні рекомендації - товари, яких немає в базі поточної сесії. Це
вирішує проблему обмеженого вибору: якщо користувач переглянув лише 2–3
товари, внутрішніх даних може бути недостатньо для формування
різноманітних результатів.
Для пошуку зовнішніх товарів система звертається до hotline.ua на
основі даних про переглянуті товари. Пріоритет пошукового запиту
визначається за формулою:
query_score(i) = w_type · activeTime_i, (3.10)
де: w_type - ваговий коефіцієнт типу запиту: 3 для запиту «бренд +
категорія»,2 для запиту «перші 4 слова заголовку»;
activeTime_i - час активного перегляду товару i у секундах.
Запит «бренд + категорія» отримує вищий коефіцієнт, оскільки дає
точніші результати пошуку порівняно із запитом за назвою. Запити
виконуються паралельно - не більше чотирьох одночасно - що скорочує
загальний час очікування.
Такий підхід обрано з кількох причин. По-перше, внутрішня база даних
системи обмежена лише тими товарами, які користувач вже переглядав, тому
вона не може запропонувати нічого принципово нового. Зовнішні
рекомендації розширюють вибір за рахунок актуального асортименту
майданчика. По-друге, hotline.ua обрано як джерело даних тому, що він збирає
пропозиції від багатьох українських інтернет-магазинів і має стабільну
структуру сторінок, придатну для автоматичного збору даних. По-третє,
пріоритизація запитів через формулу (3.10) дозволяє не витрачати ресурси на
Арк.
ЧДТУ.262210.010 ПЗ
Змн. Арк. № докум. Підпис Дата 42
43
пошук за товарами, які користувач переглянув побіжно, і зосередитися на тих,
що викликали реальний інтерес.
Знайдені товари фільтруються за назвою для уникнення дублікатів,
після чого передаються на React-дашборд у вкладку Hotline.ua.
3.7 Математичне обґрунтування механізму регресії пріоритетів
Одним із ключових завдань системи динамічного прогнозування
інтересів є адаптація профілю користувача до змін у часі без фізичного
видалення накопичених даних. Для вирішення цього завдання застосовано
метод експоненціального ковзного середнього (EMA, Exponential Moving
Average) - стандартний інструмент часових рядів, що забезпечує поступове
«забування» застарілих значень.
При повторному відвіданні сторінки score кожного ключового слова t
оновлюється за формулою:
scorenew = α · scorecurrent + (1 − α) · scoreold (3.11)
де: α - коефіцієнт згладжування, α ∈ (0, 1);
scorecurrent - значення score ключового слова при поточному відвіданні;
scoreold - накопичене значення score з попередніх відвідувань.
У системі прийнято α = 0,3, тобто нові дані мають вагу 30%, а все що
накопичилось раніше - 70%. Якщо зробити α меншим, система реагуватиме на
зміни інтересів надто повільно. Якщо більшим - попередня історія фактично
ігнорується. Значення 0,3 підібране як середній варіант, що дозволяє профілю
поступово змінюватись слідом за інтересами користувача, не втрачаючи при
цьому накопиченої інформації.
Чим більше сторінок переглянуто після певного товару, тим менше він
впливає на рекомендації. Після 5 таких відвідувань його вплив падає до
приблизно 17% від початкового - слово залишається в базі, але майже не
впливає на результат. Це важливо тому, що інтереси користувача змінюються:
Арк.
ЧДТУ.262210.010 ПЗ
Змн. Арк. № докум. Підпис Дата 43
44
якщо він переглядав ноутбуки тиждень тому, а сьогодні цікавиться
навушниками - система має це відобразити. Так реалізовано «забування» без
видалення даних, що спрощує реалізацію і не навантажує базу зайвими
операціями.
Метод EMA обрано з кількох причин. По-перше, він простий у реалізації
- для оновлення оцінки потрібна лише одна формула і два значення, не
потрібно зберігати всю історію відвідувань. По-друге, на відміну від повного
скидання даних при кожній сесії, EMA зберігає накопичений профіль і не
потребує повторного збору даних з нуля. По-третє, порівняно з більш
складними підходами - наприклад, зберіганням часових міток кожного
відвідування і розрахунком ваги на їх основі - EMA дає схожий результат
значно простішими засобами. Для браузерного розширення, де важлива
швидкість роботи, це є суттєвою перевагою.
Висновки до розділу 3
У третьому розділі обґрунтовано математичні методи, на яких
побудована система рекомендацій.
Описано з яких складових формується контекст користувача і чому для
кодування часу використовується синусне та косинусне перетворення - щоб
години 23 і 0 сприймались як близькі, а не протилежні значення.
Обґрунтовано вибір TF-IDF для опису товарів у числовому вигляді:
метод простий, не потребує спеціального обладнання і дає зрозумілі
результати. Описано як до текстового вектора додаються структуровані
атрибути товару - категорія, бренд, колір та домен - з різними ваговими
коефіцієнтами залежно від їхньої важливості.
Обґрунтовано використання косинусної подібності для порівняння
товарів між собою та алгоритм формування фінального рейтингу з
урахуванням часу перегляду. Описано як будується профіль користувача на
основі всього що він переглядав за сесію.
Арк.
ЧДТУ.262210.010 ПЗ
Змн. Арк. № докум. Підпис Дата 44
45
Розглянуто алгоритм пошуку зовнішніх рекомендацій на hotline.ua та
механізм поступового «забування» старих даних на основі EMA, який
дозволяє профілю змінюватись слідом за інтересами користувача без
видалення накопиченої інформації.
Усі описані методи реалізовані програмно і детально розглянуті у
розділі 4.
Арк.
ЧДТУ.262210.010 ПЗ
Змн. Арк. № докум. Підпис Дата 45
46
4 ПРОГРАМНА РЕАЛІЗАЦІЯ СИСТЕМИ
4.1 Реалізація модуля збору даних
Модуль збору даних реалізовано у вигляді браузерного розширення для
Google Chrome стандарту Manifest V3. Розширення складається з двох
скриптів - content.js та background.js - що разом збирають шість груп
контекстних сигналів відповідно до моделі (3.1): ключові слова та категорію
товару, час доби та день тижня, поведінкові сигнали activeTime та scrollDepth,
геопозицію, погоду та календарний контекст.
Скрипт content.js запускається через 2 секунди після завантаження
DOM-дерева - цей час необхідний для того, щоб динамічний контент сторінки
(ціни, зображення, атрибути) встиг завантажитись. Алгоритм витягу кожного
атрибута наведено у таблиці 4.1.
Таблиця 4.1 – Атрибути, що витягуються модулем content.js
Поле БД Атрибут Джерело в DOM Алгоритм
keywords Ключові meta[keywords], h1–h3, body Обрізання суфіксів +
слова score; count ≥ 2, score ≥
3
category_label Категорія breadcrumbs, URL-шлях, Словник 15 категорій,
og:type максимальний score
brands Бренди og:brand, заголовок, Словник 30 брендів;
span.brand primaryBrand з title
colors Кольори Текст сторінки Словник 20 кольорів,
нормалізація
Арк.
ЧДТУ.262210.010 ПЗ
Змн. Арк. № докум. Підпис Дата 46
47
Поле БД Атрибут Джерело в DOM Алгоритм
price Ціна product:price, span.price, Перший збіг у діапазоні
itemprop 10–999 999 грн
domain Домен window.location.hostname Видалення www.,
нормалізація
Для визначення ключових слів використовується обрізання суфіксів за
правилами української мови, що дозволяє об’єднати різні форми одного слова.
Частота слова у тексті формує базовий score, а наявність у заголовку сторінки
додає до нього значення 5 - це відображає підвищену важливість слів у назві
товару. Слова з частотою менше 2 або score менше 3 відкидаються,
зберігаються до 15 найважливіших. Виклик функції збору відкладається через
setTimeout.
Відстеження activeTime реалізовано через setInterval з інтервалом 1
секунда: лічильник збільшується лише при активності користувача (кліки,
гортання сторінки або рух мишкою) за останні 5 секунд і лише коли вкладка
відкрита на екрані. Це виключає час проведений на фонових або покинутих
вкладках.
При закритті сторінки (подія beforeunload) скрипт надсилає activeTime
та scrollDepth через background.js. Ці значення використовуються як ваги у
формулі профілю користувача (3.9) та ранжуванні рекомендацій (3.8).
Блок-схема модуля збору даних content.js наведено на рисунку 4.1.
Арк.
ЧДТУ.262210.010 ПЗ
Змн. Арк. № докум. Підпис Дата 47
48
Рисунок 4.1 – Блок-схема модуля збору даних content.js
Арк.
ЧДТУ.262210.010 ПЗ
Змн. Арк. № докум. Підпис Дата 48
49
Скрипт background.js виступає посередником між content.js і сервером:
повідомлення SEND_PROFILE запускає POST /track для збереження профілю
товару, а SEND_TIME - POST /time для накопичення часу активності.
4.2 Реалізація модуля зберігання даних
Для зберігання даних використовується реляційна база даних MariaDB.
Доступ до неї організовано через модуль db.js на серверній частині Node.js.
Атрибути товару розподілені по окремих таблицях, а не зберігаються в одному
JSON-полі - це дозволяє виконувати SQL-запити з групуванням та
фільтрацією, зокрема підрахунок кількості документів для формули IDF
одним запитом.[26-28]
При повторному відвіданні того самого URL профіль товару
оновлюється, а не дублюється: виконується UPDATE за полем url. Час
активності накопичується інкрементально, а функція GREATEST гарантує
збереження максимальної глибини прокрутки незалежно від порядку
відвідувань.
4.2.1 Реалізація механізму регресії пріоритетів (EMA-decay)
Механізм EMA-decay реалізовано у файлі index.js у маршруті POST
/reset, що викликається при кожному старті браузера. Замість очищення бази
виконується регресія ваг за формулою (3.11) з коефіцієнтом α = 0,3, після чого
слова з новою вагою 0 видаляються:
// EMA-decay: score_new = ROUND(0.7 * score_old)
await conn.query(
"UPDATE item_keywords SET score = ROUND(score * 0.7)"
);
// Видаляємо слова що повністю втратили вагу
await conn.query(
"DELETE FROM item_keywords WHERE score <= 0"
);
// Видаляємо товари без ключових слів
await conn.query(`
DELETE FROM items
Арк.
ЧДТУ.262210.010 ПЗ
Змн. Арк. № докум. Підпис Дата 49
50
WHERE id NOT IN (SELECT DISTINCT item_id FROM item_keywords)
`);
Це забезпечує поступове зменшення ваги ключових слів рідко
відвідуваних сторінок у TF-IDF векторі без фізичного видалення рядків з бази
даних.
4.3 Реалізація модуля формування рекомендацій
Модуль recommend.js реалізує формування персоналізованих
рекомендацій і викликається через GET /recommendations. Робота модуля
складається з трьох послідовних кроків: побудова TF-IDF векторів,
розширення їх структурованими атрибутами товару та обчислення косинусної
подібності між усіма товарами сесії. Блок-схему роботи модуля наведено на
рисунку 4.2.
Арк.
ЧДТУ.262210.010 ПЗ
Змн. Арк. № докум. Підпис Дата 50
51
Рисунок 4.2 – Блок-схема формування внутрішніх рекомендацій
Арк.
ЧДТУ.262210.010 ПЗ
Змн. Арк. № докум. Підпис Дата 51
52
Крок 1 побудова TF-IDF векторів
Функція computeTfIdf будує словник vocabulary з усіх унікальних слів
корпусу, виключаючи JUNK_KEYWORDS - загальновживані слова без
розрізняльної сили (назви магазинів, місяців, загальні дієслова). Для кожного
товару обчислюється TF-IDF вага кожного слова за формулами (3.3–3.5):
const tf = kw.score / totalScore;
const idf = Math.log((N + 1) / (df[kw.word] + 1)) + 1;
vec[idx] = tf * idf;
Повний лістинг функції computeTfIdf розміщено у Додатку Б.
Крок 2 векторне представлення ознак
Функція buildEmbeddings розширює TF-IDF вектор бінарним
кодуванням структурованих атрибутів згідно з формулою (3.6). Категорія
отримує вагу 3,0, бренд - 2,0, колір - 1,0, домен - 0,5. Нормована ціна price /
max(price) додається останньою компонентою. Ключовий рядок функції:
return
[...tfidf, ...brandVec, ...colorVec, ...catVec, ...domainVec, ...price
Feature];
Повний код функції buildEmbeddings розміщено у Додатку Б.
Крок 3 косинусна подібність та побудова рекомендацій
Функція buildSimilarityMatrix будує матрицю косинусної подібності
N×N між усіма товарами. Для ефективності розрахунок виконується лише для
верхнього трикутника з подальшим дзеркалюванням - це вдвічі скорочує
кількість обчислень:
Ключовий фрагмент ранжування - відбір джерел та сортування
результатів - наведено нижче.
const times = items.map(item => visitTimeByUrl[item.url] || 0);
const median = [...times].sort((a,b)=>a-
b)[Math.floor(times.length/2)];
// Для кожного джерела - топ-3 схожих
items.forEach((src, i) => {
if ((visitTimeByUrl[src.url] || 0) < median) return;
simMatrix[i]
.map((sim, j) => ({ idx: j, sim }))
.filter(s => s.idx !== i && s.sim > 0.15)
.sort((a, b) => b.sim - a.sim)
.slice(0, 3)
Арк.
ЧДТУ.262210.010 ПЗ
Змн. Арк. № докум. Підпис Дата 52
53
.forEach(({ idx: j, sim }) => {
const reasons = explainSimilarity(src, items[j], sim);
const hasContent = reasons.some(r =>
r.includes("ключові слова") ||
r.includes("бренди") ||
r.includes("ціновий діапазон")
);
if (hasContent) recs.push({
sourceId: src.id, targetId: items[j].id,
similarity: sim, reasons,
_rank: sim * Math.log((visitTimeByUrl[src.url]||0)
+ 1)
});
});
});
// Дедублікація та сортування за rank_score
const seen = new Set();
return recs
.filter(r => { const k=`${r.sourceId}-${r.targetId}`; return
seen.has(k)?false:seen.add(k); })
.sort((a, b) => b._rank - a._rank)
.slice(0, 10);
Повний код функції buildRecommendations розміщено у Додатку Б.
Відбір товарів-джерел для формування рекомендацій виконується за
медіанним порогом activeTime по сесії. Для кожного джерела відбираються
топ-3 схожих товари з similarity > 0,15 і хоча б однією змістовною причиною
(спільний бренд, ключові слова або схожа ціна). Фінальний рейтинг
формується за формулою (3.8):
sort((a, b) => (b.similarity * Math.log(b.sourceTime + 1))
- (a.similarity * Math.log(a.sourceTime + 1)))
Профіль користувача формується як зважений середній вектор усіх
embeddings за формулою (3.9). На його основі кожному товару обчислюється
profile_score - косинусна подібність до загального профілю сесії. Разом з
рекомендаціями повертаються зведені списки topCategories, topBrands і
topKeywords. Повний код функцій розміщено у Додатку Б.
4.4 Контекстне зважування рекомендацій
Окрім алгоритму косинусної подібності, у системі реалізовано механізм
контекстного зважування рекомендацій – підвищення або зниження рангового
Арк.
ЧДТУ.262210.010 ПЗ
Змн. Арк. № докум. Підпис Дата 53
54
балу товарів залежно від трьох зовнішніх чинників: поточного часу доби,
календарних свят та погодних умов. Ці чинники закодовані безпосередньо у
логіці серверної частини у вигляді статичних таблиць відповідності та
застосовуються як мультиплікативна поправка до базового rank_score.
Фінальний ранговий бал рекомендації обчислюється за формулою:
final_score(a, b) = rank_score(a, b) × getContextMultiplier(b, context), (5.1)
де rank_score(a, b) - базовий ранговий бал із формули (3.8);
getContextMultiplier - контекстний коефіцієнт, що залежить від часу
доби, свят та погоди.
Зважування за часом доби реалізовано через поділ доби на шість часових
слотів із відповідними профілями підвищення для різних категорій товарів.
Результати систематизовано у таблиці 4.2.
Таблиця 4.2.– Контекстне зважування рекомендацій за часом доби
Часовий
фрагмент Години Категорії з підвищенням Категорії зі зниженням
на 1.5 на 0.7
Ранок 06:00 – 09:00 Кава, сніданок, спорт, Електроніка, меблі,
фітнес розваги
Робочий 09:00 – 18:00 Офісне приладдя, техніка, Алкоголь, ігри, розваги
день книги
Обідня 12:00 – 14:00 Їжа, доставка, ресторани Великогабаритні товари
перерва
Вечір 18:00 – 23:00 Розваги, одяг, взуття, Офісне приладдя
електроніка
Пізня ніч 23:00 – 02:00 Ігри, стрімінг, гаджети Спорт, активний
відпочинок
Ніч 02:00 – 06:00 нейтральний коефіцієнт 1 нейтральний коефіцієнт 1
Арк.
ЧДТУ.262210.010 ПЗ
Змн. Арк. № докум. Підпис Дата 54
55
Зважування за календарними святами реалізовано через статичний
масив об’єктів HOLIDAYS у коді серверної частини. Кожен запис масиву
містить діапазон дат, набір категорій з підвищеним коефіцієнтом та ключові
слова-тригери. Система перевіряє поточну дату відносно кожного запису і
застосовує найвищий коефіцієнт контексту серед усіх активних свят.
Реалізований перелік свят наведено у таблиці 4.3.
Таблиця 4.3. – Календарні свята та відповідні коефіцієнти контекстного
зважування
Свято або подія Дати Категорії Коефіцієнт
Новий рік, Різдво 20.12 – Подарунки, іграшки, прикраси, 2.0
07.01 шампанське
День Святого 10.02 – Ювелірні вироби, парфуми, квіти, 1.8
Валентина 14.02 цукерки
8 Березня 05.03 – Косметика, квіти, прикраси, 1.8
08.03 парфуми
Великдень За 5 днів до Продукти харчування, кошики, 1.5
свята прикраси
День матері Друга Квіти, ювелірні вироби, подарункові 1.6
неділя набори
травня
Back to school 20.08 – Канцтовари, рюкзаки, ноутбуки, 1.7
05.09 одяг
Хелловін 25.10 – Костюми, декор, солодощі 1.4
31.10
Арк.
ЧДТУ.262210.010 ПЗ
Змн. Арк. № докум. Підпис Дата 55
56
Свято або подія Дати Категорії Коефіцієнт
Black Friday Остання Вся електроніка та одяг 1.9
п’ятниця
листопада
±3 дні
Кіберпонеділок Перший пн. Електроніка, гаджети, програмне 1.7
після Black забезпечення
Friday
Зважування за погодними умовами реалізовано на основі даних
OpenWeatherMap API. Поточний стан погоди класифікується за чотирма
типами:
– Дощ або гроза – підвищуються товари для домашнього використання:
стрімінг, книги, настільні ігри, доставка їжі (коефіцієнт 1.6); знижуються
товари для активного відпочинку (коефіцієнт 0.6);
– Сніг – підвищуються зимовий одяг, взуття, автомобільні аксесуари,
обігрівачі (коефіцієнт 1.5); знижуються літній одяг і садові інструменти
(коефіцієнт 0.5);
– Ясна погода – підвищуються спортивний одяг, велосипеди, садові
інструменти, сонцезахисні засоби (коефіцієнт 1.4); знижуються товари для
дому (коефіцієнт 0.8);
– Спека (температура > 28°C) – підвищуються кондиціонери,
вентилятори, охолоджувальні напої, купальники (коефіцієнт 1.7); знижуються
зимовий одяг і обігрівачі (коефіцієнт 0.3).
Усі три механізми зважування застосовуються послідовно та незалежно
– підсумковий контекстний коефіцієнт є добутком трьох окремих множників:
getContextMultiplier = boost_time × boost_holiday × boost_weather, (5.2)
Арк.
ЧДТУ.262210.010 ПЗ
Змн. Арк. № докум. Підпис Дата 56
57
де boost_time, boost_holiday, boost_weather - множники контекстного
зважування за часом доби, святами та погодою відповідно, кожен обмежений
діапазоном [0,3; 2,0]; підсумковий добуток обмежується значенням 2,5.
Жорстке кодування таблиць свят і часових слотів обрано свідомо:
статичні таблиці є повністю прозорими, легко оновлюються без залучення
ML-інженерів і не потребують перенавчання при додаванні нового свята до
календаря.
4.5 Реалізація модуля зовнішніх рекомендацій
Модуль scraper.js виконує отримання зовнішніх рекомендацій з
hotline.ua через веб-скрейпінг. Оскільки hotline.ua не надає відкритого API,
модуль завантажує HTML сторінку результатів пошуку і витягує з неї потрібні
дані за допомогою бібліотеки cheerio. Щоб запити не блокувались, у запиті
передається User-Agent реального браузера. Схему роботи модуля наведено
на рисунку 4.3.[29-30]
Арк.
ЧДТУ.262210.010 ПЗ
Змн. Арк. № докум. Підпис Дата 57
58
Рисунок 4.3 – Блок-схема модуля зовнішніх рекомендацій scraper.js
Арк.
ЧДТУ.262210.010 ПЗ
Змн. Арк. № докум. Підпис Дата 58
59
Функція buildSearchQueries сортує товари за часом перегляду і формує
два типи пошукових запитів зідно з формулою (3.10): запит типу «бренд +
категорія» з вагою 3 та запит за першими 4 словами заголовку з вагою 2.
Загальний ліміт – 4 запити одночасно. Ключовий фрагмент функції:
queries.push({ query: `${brand} ${category}`, weight: 3 });
queries.push({ query: titleWords, weight: 2 });
if (queries.length >= 4) break;
Паралельне виконання через Promise.all скорочує час відповіді до
тривалості найповільнішого запиту замість суми послідовних - це ключова
оптимізація продуктивності модуля. Після отримання результатів усі відповіді
об’єднуються, фільтруються (видалення вже переглянутих URL та схожих
назв за першими 50 символами) та дедублікуються: для кожної назви
залишається найдешевший варіант серед різних продавців. Результат
сортується за зростанням ціни та обрізається до 12 позицій.
Мінімальна ціна витягується регулярним виразом з рядка виду «39 950
– 81 434 ₴»:
// "39 950 – 81 434 ₴" → 39950 (мінімум з діапазону)
const range = text.match(/(\d[\d\s]*\d)\s*[–--]/);
if (range) ₴return parseInt(range[1].replace(/\s/g,""), 10);
// "12 999 " → 12999 (одна ціна)
const single = text.match(/(\d[\d\s]*\d)\s*₴/);
if (single) return parseInt(single[1].replace(/\s/g,""), 10);
4.6 Реалізація клієнтського інтерфейсу
Клієнтський інтерфейс реалізовано у вигляді двох окремих частин:
спливаючого вікна розширення (popup) та повноцінного веб-дашборду.
Спливаюче вікно реалізовано на HTML/CSS/JS і містить три вкладки:
огляд поточної сесії з топ-5 сторінками за релевантністю, список рекомендацій
та кнопки керування (відкрити дашборд, очистити сесію).
Дашборд реалізовано як односторінковий застосунок на React з
використанням збирача Vite. Структуру компонентів проекту наведено на
рисунку 4.4.
Арк.
ЧДТУ.262210.010 ПЗ
Змн. Арк. № докум. Підпис Дата 59
60
Рисунок 4.4 – Структура компонентів React-дашборду
Застосунок містить п’ять вкладок: Dashboard (загальна статистика сесії),
Recommendations (рекомендації з поясненнями), Analytics (діаграми розподілу
категорій та брендів), Matrix (теплова карта матриці подібності N×N) та
External (товари з hotline.ua). Повний код компонентів розміщено у Додатку
В, детальний опис роботи інтерфейсу наведено у розділі 5.
Арк.
ЧДТУ.262210.010 ПЗ
Змн. Арк. № докум. Підпис Дата 60
61
Висновки до розділу 4
У четвертому розділі виконано програмну реалізацію компонентів
системи.
Розроблено браузерне розширення Chrome на основі Manifest V3.
Скрипт content.js збирає шість груп контекстних даних та відстежує час
активного перегляду сторінки. Скрипт background.js передає зібрані дані на
сервер. Схему взаємодії компонентів розширення наведено на рисунку 4.1.
Реалізовано базу даних MariaDB з семи таблиць. Час активності
накопичується при кожному відвіданні, а структура окремої таблиці для
ключових слів дозволяє ефективно обчислювати частоту документів для
формули IDF. Реалізовано механізм EMA-decay з коефіцієнтом α = 0,3, який
поступово зменшує вагу ключових слів без видалення рядків з бази.
Реалізовано модуль формування рекомендацій recommend.js: побудова
TF-IDF векторів, розширення їх атрибутами товару з ваговими коефіцієнтами,
обчислення матриці косинусної подібності, ранжування за формулою (3.8) та
формування профілю користувача. Фільтр якості відкидає рекомендації без
змістовної причини. Блок-схему модуля наведено на рисунку 4.2.
Описано механізм контекстного зважування рекомендацій
мультиплікативні коефіцієнти boost за часом доби 9 календарними святами та
чотирма типами погодних умов забезпечують адаптацію рекомендацій до
реальної ситуації користувача без перенавчання моделі
Реалізовано модуль зовнішніх рекомендацій scraper.js: паралельний
запит до hotline.ua через Promise.all, парсинг HTML за допомогою cheerio,
витяг мінімальної ціни та дедублікація результатів. Схему роботи модуля
наведено на рисунку 4.3.
Розроблено клієнтський інтерфейс: спливаюче вікно розширення та
React-дашборд з п’ятьма вкладками. Повні вихідні коди всіх модулів наведено
у додатках.
Арк.
ЧДТУ.262210.010 ПЗ
Змн. Арк. № докум. Підпис Дата 61
62
5 ТЕСТУВАННЯ ТА ІНТЕРФЕЙС ВЗАЄМОДІЇ КОРИСТУВАЧА З
СИСТЕМОЮ
У п’ятому розділі описано інтерфейс розробленого програмного
прототипу системи динамічного прогнозування інтересів користувача «Smart
Parser», наведено покрокові сценарії роботи користувача з системою та
результати функціонального і автоматизованого тестування. Розглянуто
архітектуру взаємодії між компонентами системи з позиції кінцевого
користувача, описано механізм контекстного зважування рекомендацій та
перспективи розгортання системи у хмарному середовищі.
5.1 Опис інтерфейсу системи
Інтерфейс системи спроектований відповідно до принципів мінімалізму
та інформаційної щільності: усі ключові показники поточної сесії
відображаються без додаткових налаштувань з боку користувача. Система
працює у фоновому режимі та автоматично збирає контекстні дані у процесі
звичайного перегляду веб-сторінок.[31-32]
5.1.1 Інтерфейс браузерного розширення
Спливаюче вікно браузерного розширення є основною точкоюшвидкого
доступу до інформації про поточну сесію. Інтерфейс спливаючого вікна
складається з трьох функціональних зон: статусного рядка, блоку метрик
pipeline та списку переглянутих сторінок (рисунок 5.1).
Арк.
ЧДТУ.262210.010 ПЗ
Змн. Арк. № докум. Підпис Дата 62
63
Рисунок 5.1 – Спливаюче вікно розширення інформаційної системи
прогнозування
Статусний рядок (верхня частина) відображає назву системи «Smart
Parser» та лічильник переглянутих сторінок у поточній сесії (16 сторінок).
Зелений індикатор поруч з назвою сигналізує про активний статус розширення
та наявність з’єднання з серверною частиною.
Блок метрик конвеєрної обробки даних розміщений нижче статусного
рядка і відображає три ключові показники обробки даних у реальному часі:
 TF-IDF – кількість унікальних слів у словнику поточного корпусу (144
слова). Цей показник відображає обсяг текстової інформації, витягнутої
з переглянутих сторінок;
 EMBED – розмірність вектора feature embedding (170D). Значення
включає TF-IDF компоненту та one-hot кодування брендів, категорій,
кольорів і доменів;
 COSINE – кількість товарів, між якими побудована матриця косинусної
подібності (16 items). Це загальна кількість унікальних товарів у
поточній сесії.
Арк.
ЧДТУ.262210.010 ПЗ
Змн. Арк. № докум. Підпис Дата 63
64
Розділ Топ сторінки відображає список переглянутих сторінок,
відсортованих за релевантністю (коефіцієнт та час проведений на сторінці).
Для кожного запису відображаються порядковий номер, скорочена назва
сторінки, домен джерела, категорія товару та відсоток релевантності
поточному профілю користувача.
Нижня частина спливаючого вікна інтерфейсу містить дві кнопки
керування:
– «Відкрити Dashboard» – відкриває повний веб-інтерфейс аналітики у
новій вкладці браузера;
– «Очистити» – очищає базу даних і ініціює нову сесію.
5.1.2 Опис веб-сторінки системи прогнозування
Веб-сторінка керування та взаємодії користувача з системою є основним
аналітичним інтерфейсом системи, доступним за адресою localhost:5173.
Сторінка являє собою односторінковий застосунок з п’ятьма вкладками:
Dashboard, Рекомендації, Hotline.ua, Аналітика та Матриця
Вкладка «Dashboard»
Верхня частина дашборду (рисунок 5.2) містить панель статусу з назвою
системи та кнопками «Оновити» і «Очистити сесію».
Арк.
ЧДТУ.262210.010 ПЗ
Змн. Арк. № докум. Підпис Дата 64
65
Рисунок 5.2 – Головна вкладка Dashboard веб-інтерфейсу системи Smart
Parser
Верхня частина дашборду (рисунок 5.2) містить панель статусу з назвою
системи та кнопками «Оновити» і «Очистити сесію». Нижче розташована
інформаційна стрічка стану конвеєру обробки даних з трьома кроками
обробки.
Блок статистики у вигляді карток містить чотири показники поточної
сесії: 16 – ПЕРЕГЛЯНУТО (загальна кількість унікальних сторінок товарів);
144 – СЛІВ (TF-IDF) (розмір словника); 170 – EMBEDDING DIM (розмірність
вектора представлення); 5 – КАТЕГОРІЙ (кількість унікальних товарних
категорій у сесії).
Список «Переглянуті сторінки (за релевантністю)» відображає усі
товари поточної сесії, відсортовані за спаданням profile_score. Для кожного
запису відображаються порядковий номер, повна назва сторінки, домен сайту,
час активного перегляду (45c, 10c і т.д.), теги категорії та бренду, ціна та
відсоток відповідності профілю.
Вкладка «Рекомендації»
Вкладка «Рекомендації» є центральним функціональним елементом
системи. Вона відображає список товарів, рекомендованих на основі аналізу
Арк.
ЧДТУ.262210.010 ПЗ
Змн. Арк. № докум. Підпис Дата 65
66
поточної сесії відповідно до алгоритму, описаного у підрозділі 4.3. Кожна
картка рекомендації містить:
– назву рекомендованого товару та товару-джерела;
– відсоток косинусної подібності між товарами;
– причину рекомендації (спільний бренд, спільні ключові слова або
схожа ціна);
– кнопки зворотного зв’язку «Корисно» та «Не корисно» для збору
оцінок від користувача.
Рекомендації формуються динамічно для товарів-джерел, час активного
перегляду яких перевищує медіанне значення по сесії. Для кожного джерела
відображаються до 3 найбільш схожих товарів із коефіцієнтом > 0.15,
відсортованих за ранговим балом відповідно до формули (3.8).
На рисунку 5.3 наведено зовнішній вигляд вкладки «Рекомендації» під
час роботи системи. Система опрацювала 16 товарів, побудувала словник з
144 слів (TF-IDF) та сформувала 170-вимірні вектори ознак. Для кожної
рекомендації відображається відсоток схожості (96%, 94%), причини
рекомендації у вигляді тегів (та сама категорія, спільні бренди, спільні
кольори, спільні ключові слова, схожий ціновий діапазон) та кнопки
зворотного зв’язку.
Рисунок 5.3 – Загальний вигляд вкладки «Рекомендації»
Арк.
ЧДТУ.262210.010 ПЗ
Змн. Арк. № докум. Підпис Дата 66
67
Як видно з рисунку 5.3, катка кожної рекомендації містить заголовок
сторінки-джерела, назву та ціну рекомендованого товару, домен магазину,
категорію та структуровані теги причин. Значення similarity 96% свідчить про
дуже високу схожість embedding-векторів, що підтверджує коректність роботи
алгоритму косинусної подібності (формула 3.7).
Вкладка «Hotline.ua»
Вкладка «Hotline.ua» відображає зовнішні рекомендації – товари,
отримані через веб-скрейпінг торгового майданчика hotline.ua відповідно до
алгоритму, описаного у підрозділі 4.4. Система формує до 4 пошукових
запитів на основі найчастіше переглянутих брендів і категорій та паралельно
надсилає їх до hotline.ua.
Рисунок 5.4 – Загальний вигляд вкладки «Рекомендації»
На рисунку 5.4 наведено вигляд вкладки «Hotline.ua» під час реальної
роботи. Система сформувала запити на основі переглянутого взуття Nike і
паралельно надіслала їх на hotline.ua. Результати відображені у вигляді карток
з фотографією товару, назвою, ціновим діапазоном і посиланнянням на
сторінку товару. Над картками відображено пошукові запити, за якими
отримано результати.
Арк.
ЧДТУ.262210.010 ПЗ
Змн. Арк. № докум. Підпис Дата 67
68
Результати відображаються у вигляді карток з назвою товару,
сортуванням за ціною (за зростанням) та URL-посиланням на сторінку товару.
Вкладка «Аналітика»
Вкладка «Аналітика» містить графічні візуалізації агрегованих даних
поточної сесії, побудовані за допомогою бібліотеки recharts (GET /analytics).
Рисунок 5.5 – Загальний вигляд вкладки «Аналітика»
«Аналітика» містить гістограму розподілу переглянутих товарів за
категоріями, гістограму розподілу за брендами (топ-10) та кругову діаграму
часу активного перегляду за категоріями.
Вкладка «Матриця»
Вкладка «Матриця» відображає теплову карту матриці косинусної
подібності розмірністю N×N між усіма переглянутими товарами. Колір кожної
клітинки відображає значення cos(a,b) ∈ [0, 1] відповідно до формули (3.7): від
темного при значенні 0 до яскравого при значенні 1.0.
На рисунку 5.6 наведено вкладку «Матриця» з тепловою картою
матриці косинусної подібності для тієї самої сесії. Матриця розмірністю 16×16
відображає значення cos(a,b) між усіма парами товарів. Яскраво-зелені
клітинки (значення 0,85–0,96) утворюють чіткі кластери - блоки товарів
Арк.
ЧДТУ.262210.010 ПЗ
Змн. Арк. № докум. Підпис Дата 68
69
одного бренду. Значення 0,00 між різними кластерами підтверджує коректне
розрізнення товарів різних категорій завдяки ваговому коефіцієнту w_k = 3,0.
Рисунок 5.6 – Загальний вигляд вкладки «Матриця
5.2 Тестування системи
У даному розділі проведено тестування системи на відповідність
функціональним вимогам і нефункціональній вимозі часу відгуку. Тестування
поділено на дві частини: ручне функціональне тестування за методом чорного
ящика і автоматизоване тестування серверної частини засобами Jest. Ручне
тестування охоплює 8 ключових сценаріїв: збір атрибутів, підрахунок часу
активності, формування рекомендацій, зовнішній скрейпінг, очищення сесії,
матриця подібності і зворотній зв’язок. Автоматизоване тестування охоплює
16 одиничних тестів у п’яти файлах і покриває всі ключові маршрути
REST API.
5.2.1 Ручне функціональне тестування
Функціональне тестування системи проводилося вручну за методом
чорного ящика (black-box testing). Тестові сценарії охоплювали перевірку всіх
Арк.
ЧДТУ.262210.010 ПЗ
Змн. Арк. № докум. Підпис Дата 69
70
ключових функцій системи: збір контекстних даних, побудову профілю,
формування рекомендацій та роботу зовнішнього скрейпера.
Тест 1 – Збір атрибутів товару. На сторінці товару Samsung Galaxy
A57 на allo.ua розширення визначило назву, категорію «Смартфони», бренд
Samsung, ціну 2 700 грн і 14 ключових слів. Дані з’явилися у таблиці items
одразу після закриття вкладки, ключові слова збереглися у item_keywords. При
повторному відвідуванні тієї самої сторінки виконано UPDATE замість
INSERT – дублікацій не виникло. Статус: пройдено.
Тест 2 – Підрахунок activeTime. Після 30 секунд активного перегляду з
кліками і скролінгом з подальшим закриттям вкладки через POST /time було
надіслано значення 31. Стовпець visits.active_time оновлено коректно. При
фоновому перегляді без кліків лічильник не збільшувався, що підтверджує
коректність фільтрації пасивного очікування. Статус: пройдено.
Тест 3 – Popup після п’яти переглянутих сторінок. Після перегляду п’яти
сторінок у popup-вікні відобразилось 5 товарів, відсортованих за спаданням
profile_score. Товар Samsung Galaxy A57 з найбільшим activeTime (45 с) постав
на перше місце з релевантністю 70%, що підтверджує коректність ранжування
за profile_score. Статус: пройдено.
Тест 4 – Формування рекомендацій. Після перегляду 16 товарів запит
GET /recommendations повернув список з 10 рекомендацій з поясненнями
причин. Найвища подібність 96% – між двома кросівками Nike зі спільним
брендом, категорією і ключовими словами. Товари різних категорій (Samsung
і Nike) мали подібність 0,00, що підтверджує коректність вагового коефіцієнта
wₖ = 3,0. Час відгуку – 142 мс. Статус: пройдено.
Тест 5 – Зовнішні рекомендації. Запит GET /external сформував 4
пошукових запити на основі найчастіше переглянутих брендів і категорій і
паралельно надіслав їх на hotline.ua. У відповіді повернулось 12 товарів,
відсортованих за зростанням ціни. URL-адреси вже переглянутих товарів у
результатах відсутні, дублікатів за назвою немає. Статус: пройдено.
Арк.
ЧДТУ.262210.010 ПЗ
Змн. Арк. № докум. Підпис Дата 70
71
Тест 6 – Очищення сесії. Після натискання «Очистити сесію»
відпрацьовано POST /reset, який очистив усі 7 таблиць бази. Popup показав 0
товарів і порожній стан. Після очищення перегляд нових сторінок знову
запускав накопичення з нової сесії. Статус: пройдено.
Тест 7 – Матриця подібності. Запит GET /matrix для сесії з 16 товарами
повернув матрицю 16×16. Усі діагональні елементи дорівнюють 1,0, усі
значення належать діапазону [0, 1]. Кросівки Nike утворили кластери зі
значеннями 0,85–0,96, тоді як міжкатегорійна подібність (Samsung відносно
Nike) не перевищувала 0,09. Статус: пройдено.
Тест 8 – Зворотній зв’язок. Після натискання «Корисно» на картці
рекомендації виконано POST /feedback з useful=1. Запис з’явився у таблиці
feedback з пов’язкою source_id/target_id і useful=1. Аналогічно перевірено для
useful=0 – запис також зберігся коректно. Статус: пройдено.
Усі 8 тестових сценаріїв успішно пройдені. Система коректно збирає
контекстні дані, будує профіль користувача та формує релевантні
рекомендації. Час відгуку серверного API на запити GET /recommendations та
GET /external не перевищував 150 мс при тестовій сесії з 16 товарів, що
відповідає нефункціональній вимозі часу відгуку менше 200 мс.
5.2.2 Автоматизоване тестування
Окрім ручного функціонального тестування, для серверної частини
системи розроблено набір автоматизованих тестів засобами фреймворку Jest.
Тести охоплюють усі ключові маршрути REST API та перевіряють коректність
роботи алгоритмів обробки даних без участі користувача.
Структура тестового набору організована відповідно до модульної
архітектури серверної частини. Кожен файл тестів відповідає окремому
маршруту або модулю:
Арк.
ЧДТУ.262210.010 ПЗ
Змн. Арк. № докум. Підпис Дата 71
72
– track.test.js – тестування POST /track: перевірка запису товару до
таблиці items, збереження ключових слів у item_keywords, обробка повторного
відвідування того ж URL (UPDATE замість INSERT);
– time.test.js – тестування POST /time: перевірка інкрементального
накопичення active_time у таблиці visits та збереження максимального
значення scroll_depth через функцію GREATEST;
– recommend.test.js – тестування GET /recommendations: перевірка
коректності TF-IDF векторів, правильності побудови матриці косинусної
подібності (діагональні елементи = 1.0, всі значення ∈ [0, 1]) та ранжування
рекомендацій за формулою (3.8);
– reset.test.js – тестування POST /reset: перевірка повного очищення усіх
семи таблиць бази даних;
– feedback.test.js – тестування POST /feedback: перевірка запису пари
source_id/target_id з useful ∈ {0, 1} до таблиці feedback.
Запуск тестів здійснюється командою npm test у директорії серверної
частини. Усі тести використовують окрему тестову базу даних (test_db),
ізольовану від робочої бази. Перед кожним тестовим набором виконується
beforeEach-хук, що очищає тестові таблиці і гарантує незалежність тестів.
Результати виконання наведено на рисунку 5.7.
Арк.
ЧДТУ.262210.010 ПЗ
Змн. Арк. № докум. Підпис Дата 72
73
Рисунок 5.7– Результати виконання автоматизованих тестів
На рисунку 5.7 наведено вивід терміналу після запуску npm test. Усі 16
тестів з п’яти файлів успішно пройдені (PASS). Для кожного файлу
відображено назву тестового набору, кількість тестів і час виконання.
Наявність автоматизованого тестового покриття забезпечує регресійне
тестування: будь-які зміни у серверній логіці автоматично перевіряються на
відсутність порушень існуючої функціональності. Це особливо важливо при
подальшому розвитку системи.
5.3 Локальне розгортання та характеристики тестового середовища
У даному підрозділі описано процес розгортання системи,
характеристики тестового середовища та перспективи хмарного розгортання.
Система розгортається локально з використанням Docker Compose
Арк.
ЧДТУ.262210.010 ПЗ
Змн. Арк. № докум. Підпис Дата 73
74
–інструменту оркестрації багатоконтейнерних додатків, що забезпечує
відтворюваність середовища незалежно від операційної системи.
Розробка та тестування виконувались на персональному комп’ютері з
наступними характеристиками: процесор Intel Core i5-11400H (6 ядер, тактова
частота 2,70 ГГц), оперативна пам’ять 32 ГБ DDR4 (3200 МГц), відеоадаптер
NVIDIA GeForce RTX 3060 Laptop GPU (6 ГБ VRAM), накопичувач SSD
Kingston SNV3S1000G (1 ТБ). Операційна система - 64-розрядна Windows 10.
Використання Node.js замість важких фреймворків обґрунтоване саме тим, що
система повинна коректно функціонувати на звичайному персональному
комп’ютері без використання GPU-ресурсів для обчислень: всі алгоритми (TF-
IDF, косинусна подібність, EMA) виконуються на CPU і не потребують
спеціалізованого обладнання. Час відгуку API при тестуванні на зазначеній
конфігурації не перевищував 150 мс при сесії з 16 переглянутих товарів, що
підтверджує відповідність обраного стеку нефункціональним вимогам
продуктивності.
Локальне розгортання системи виконується у три кроки. Крок 1
–встановлення Docker Desktop для Windows та клонування репозиторію
проекту. Крок 2 –створення файлу ./server/.env з параметрами ініціалізації БД.
Крок 3 –запуск всієї системи єдиною командою docker compose up --build у
корень проекту. Конфігурація всіх сервісів описана у файлі docker-
compose.yml. Файл визначає три сервіси: mariadb –БД на основі іміджу
mariadb:10.11 з персистентним томом даних і healthcheck; server –Node.js API,
що запускається лише після повної ініціалізації БД (condition: service_healthy),
доступний на порту 3001; dashboard –React-застосунок на Nginx, доступний на
порту 80. Така конфігурація гарантує правильний порядок запуску сервісів
–БД завжди готова перед стартом сервера.
На рисунку 5.8 наведено вивід терміналу під час виконання команди
docker compose up --build. Система послідовно завантажує образ mariadb:10.11
(23 шари), після чого збирає server і dashboard. Загальний час першого
збирання та встановлення образу склав 53,7 секунди.
Арк.
ЧДТУ.262210.010 ПЗ
Змн. Арк. № докум. Підпис Дата 74
75
Рисунок 5.8 – Результати локального розгортання інструментами
контейнеризації
Після успішного запуску серверний API доступний за адресою
http://localhost:3000, а React-дашборд - за адресою http://localhost:5173.
Браузерне розширення встановлюється вручну через меню Chrome
(chrome://extensions → «Завантажити нерозпаковане розширення») і
автоматично підключається до локального API.
На рисунку 5.9 наведено вікно Docker Desktop з запущеним контейнером
diplom. Контейнер використовує 0,04% CPU з 1200% доступних і 149,64 МБ
оперативної пам’яті з 15,15 ГБ доступних, що підтверджує низьке споживання
ресурсів системою у стані очікування.
Рисунок 5.9 – Docker Desktop з запущеним контейнером системи Smart Parser
Арк.
ЧДТУ.262210.010 ПЗ
Змн. Арк. № докум. Підпис Дата 75
76
Тестування на зазначеній апаратній конфігурації підтвердило виконання
всіх нефункціональних вимог: час відгуку GET /recommendations не
перевищував 150 мс при 16 товарах у сесії, час запуску контейнерів з нуля
(docker compose up --build) - близько 45 секунд, споживання оперативної
пам’яті двома контейнерами (api + db) - не більше 380 МБ. Зазначені
показники підтверджують, що система є придатною для розгортання і
використання на будь-якому сучасному персональному комп’ютері без
спеціалізованих вимог до обладнання.
З метою забезпечення відтворюваності середовища виконання серверна
частина системи пакується у Docker-контейнер з підтримкою міжсервісної
взаємодії через Docker Compose. Конфігурація docker-compose.yml описує
залежності між сервісами: server залежить від mariadb із перевіркою стану
через healthcheck, dashboard залежить від server. Дані MariaDB зберігаються у
названому томі mariadb_data, що переживають перезапуск контейнера.
Запаковання у Docker-образах гарантує ідентичність середовища виконання
на будь-якій платформі –це є оптимальним рішенням при подальшому
розвитку системи.
Перспективи хмарного розгортання системи передбачають такі
варіанти:
– хмарні платформи типу VPS (DigitalOcean, Hetzner, AWS EC2) –
розміщення Docker-контейнерів на виділеному віртуальному сервері з
постійною публічною IP-адресою;
– платформи контейнерної оркестрації (Kubernetes, Docker Swarm) –
автоматичне масштабування та відмовостійкість, доцільні при 500+
одночасних користувачів;
– Serverless-платформи (AWS Lambda, Google Cloud Run) – тарифікація
лише за фактичним часом виконання запитів, економічно ефективно при
непостійному навантаженні.
При хмарному розгортанні серверна частина виступає централізованим
бекендом, що обслуговує множину користувачів одночасно, а браузерне
Арк.
ЧДТУ.262210.010 ПЗ
Змн. Арк. № докум. Підпис Дата 76
77
розширення залишається незмінним. Такий підхід дозволяє масштабувати
систему з мінімальними змінами конфігурації. Запаковання у Docker-образах
гарантує ідентичність середовища виконання на будь-якій платформі і є
оптимальним рішенням при подальшому розвитку системи.
5.4 UML-діаграма послідовності взаємодії компонентів
У цьому підрозділі архітектуру системи проілюстровано двома UML-
діаграмами. Діаграма послідовності показує порядок обміну повідомленнями
між компонентами у часі, а діаграма компонентів – статичну будову системи
і інтерфейси між модулями.
Діаграма послідовності (рисунок 5.10) відображує повний цикл роботи
системи від відкриття сторінки товару до отримання рекомендацій. Суцільні
стрілки позначають виклики, пунктирні – відповіді. content.js збирає атрибути
і надсилає SEND_PROFILE до background.js, який виконує POST /track. При
закритті вкладки надсилається SEND_TIME і оновлюється visits.active_time.
Запит GET /recommendations з Dashboard запускає recommend.js і повертає
JSON з рекомендаціями.
Арк.
ЧДТУ.262210.010 ПЗ
Змн. Арк. № докум. Підпис Дата 77
78
Рисунок 5.10 – UML-діаграма послідовності взаємодії компонентів
Діаграма компонентів (рисунок 5.11) показує статичну будову системи.
Chrome Extension об’єднує content.js і background.js зі зв’язком через
SEND_PROFILE і SEND_TIME. Node.js Server – центральний компонент:
отримує дані з розширення через POST-запити, зберігає дані у MariaDB і
відповідає на GET-запити з Dashboard. React Dashboard звертається до сервера
через GET /recommendations і GET /external та отримує JSON-відповідь.
Рисунок 5.11– UML-діаграма компонентів системи Smart Parser
Chrome Extension (Manifest V3) – контейнерний модуль, що містить
content.js і background.js. content.js – контентний скрипт, що збирає атрибути
з DOM і надсилає їх через внутрішню шину повідомлень. background.js –
сервіс-воркер, що перекладає повідомлення у HTTP-запити POST /track і POST
/time до сервера. Node.js Server – центральний компонент: приймає дані з
розширення, зберігає їх у MariaDB і відповідає на запити з Dashboard. React
Dashboard – окремий клієнтський застосунок, що не залежить від розширення
і звертається до сервера через GET /recommendations і GET /external.
Діаграму варіантів використання системи наведено на рисунку 5.12.
Актором є користувач, який ініціює всі взаємодії. П’ять варіантів
використання відображають повний цикл роботи з системою: збір даних,
перегляд результатів і аналіз подібності. Варіанти 2–5 мають залежність від
Арк.
ЧДТУ.262210.010 ПЗ
Змн. Арк. № докум. Підпис Дата 78
79
варіанту 1 («include») – усі вони потребують наявності збережених даних у
базі.
Рисунок 5.12 – UML-діаграма варіантів використання системи «Smart Parser»
Крок 1 – Початок нової сесії та перегляд товарів. Користувач відкриває
браузер і за потреби очищає попередню сесію натисканням кнопки «Очистити
сесію». Далі здійснює звичайний перегляд товарів на сайтах інтернет-
магазинів. Браузерне розширення автоматично витягує ключові слова,
категорію, бренд, колір і ціну з кожної переглянутої сторінки та надсилає дані
на сервер через POST /track. Паралельно щосекунди фіксується activeTime, що
надсилається через POST /time при закритті вкладки.
Крок 2 – Перегляд результатів у popup. Після перегляду кількох товарів
користувач натискає іконку розширення на панелі інструментів браузера.
Відкривається popup-вікно з актуальними даними сесії (рисунок 5.1).
Арк.
ЧДТУ.262210.010 ПЗ
Змн. Арк. № докум. Підпис Дата 79
80
У блоці «Топ сторінки» відображаються переглянуті товари,
відсортовані за релевантністю профілю.
Крок 3 – Отримання рекомендацій. Користувач відкриває Dashboard та
переходить на вкладку «Рекомендації». Для кожної рекомендації
відображається пояснення причини (наприклад: «Спільний бренд: Nike» або
«Схожі ключові слова: кросівки, running, air»). Якщо рекомендація виявилася
корисною, користувач натискає «Корисно», якщо ні – «Не корисно».
Крок 4 – Перегляд зовнішніх рекомендацій. Користувач відкриває
вкладку «Hotline.ua». Система автоматично формує пошукові запити на основі
найбільш переглянутих брендів і категорій та відображає результати з
hotline.ua – товари, яких немає у поточній базі сесії.
Крок 5 – Аналіз матриці подібності. Користувач відкриває вкладку
«Матриця» для візуальної перевірки якості рекомендацій.
Висновки до розділу 5
У п’ятому розділі описано інтерфейс системи, проведено тестування,
описано розгортання наведено UML-діаграми архітектури системи.
Описано дворівневий інтерфейс системи: спливаюче-вікно браузерного
розширення.
Проведено ручне функціональне тестування за 8 сценаріями методом
чорного ящика і автоматизоване тестування серверного API засобами Jest – 16
тестів у 5 файлах. Усі тести з обох частин успішно пройдені. Час відгуку
запиту GET /recommendations не перевищував 150 мс, що відповідає
нефункціональній вимозі менше 200 мс.
Описано локальне розгортання системи засобами Docker Compose на
тестовому середовищі з процесором Intel Core i5-11400H і 16 ГБ оперативної
пам’яті. Розгортання виконується єдиною командою docker compose up --build
без ручної налаштування середовища. Обгрунтовано перспективи хмарного
Арк.
ЧДТУ.262210.010 ПЗ
Змн. Арк. № докум. Підпис Дата 80
81
розгортання на VPS-платформах і у середовищах контейнерної оркестрації
без змін у бізнес-логіці.
Наведено п’ять типових кроків роботи користувача з системою – від
початку нової сесії і перегляду товарів до аналізу матриці подібності.
Побудовано UML-діаграму варіантів використання, UML-діаграму
послідовності взаємодії компонентів системи і UML-діаграму компонентів,
що відображає статичну архітектуру системи.
Арк.
ЧДТУ.262210.010 ПЗ
Змн. Арк. № докум. Підпис Дата 81
82
ВИСНОВКИ
У кваліфікаційній роботі виконано розробку інформаційної системи
динамічного прогнозування інтересів користувача на основі контекстно-
залежних даних, реалізованої у вигляді браузерного розширення для Google
Chrome.
У першому розділі проведено огляд предметної галузі та порівняльний
аналіз підходів до побудови рекомендаційних систем. Встановлено, що
класичні методи персоналізації на основі статичних профілів не враховують
динамічну, ситуаційно залежну природу інтересів користувача. З-поміж
чотирьох розглянутих підходів - колаборативної фільтрації, контентної
фільтрації, гібридного та контекстно-залежного - для реалізації обрано
поєднання контентної та контекстно-залежної фільтрації як найбільш
придатне для однокористувацької системи, без потреби у великих обсягах
навчальних даних. Розглянуто п’ять існуючих програмних рішень і
встановлено, що жодне з них не відповідає вимогам роботи: всі або
потребують серверної інфраструктури, або не підтримують контекстну
персоналізацію в реальному часі. Сформульовано функціональні та
нефункціональні вимоги до системи.
У другому розділі описано систему як об’єкт проєктування та
обгрунтовано ключові проєктні рішення. Описано чотирирівневу архітектуру
системи (рисунок 2.1): браузерне розширення – збір даних; серверна частина
– обробка та REST API; БД – зберігання профілю; React-дашборд –
відображення. Обгрунтовано вибір кожної технології (таблиці 2.1–2.2):
JavaScript/Chrome MV3 – єдина можливість для розширення; Node.js – єдина
мова з розширенням; MariaDB – ефективні SQL-агрегації для IDF; React/Vite
– компонентна архітектура для 5 вкладок; Docker Compose – відтворюваність
середовища. Визначено склад 8 компонентів (таблиця 2.3), шість вимірів
вхідних контекстних сигналів (таблиця 2.4) і структуру БД з 7 таблиць
(таблиця 2.5). Описано pipeline з 5 послідовних кроків (рисунок 2.3): збір
Арк.
ЧДТУ.262210.010 ПЗ
Змн. Арк. № докум. Підпис Дата 82
83
профілю → TF-IDF → embeddings → матриця подібності → ранжування з
контекстним boost.
У третьому розділі обгрунтовано математичні методи всіх ключових
алгоритмів системи. Сформульовано формальну модель контексту з шести
груп ознак (формула 3.1) і обгрунтовано кругове кодування часу доби для
збереження циклічної природи (формула 3.2). Описано метод TF-IDF
(формули 3.3–3.5) і наведено його переваги над Word2Vec і щільними
векторами – інтерпретованість без GPU. Обгрунтовано схему feature
embeddings з диференційованими ваговими коефіцієнтами (формула 3.6):
wₖ = 3,0 для категорії, wₙ = 2,0 для бренду. Обгрунтовано косинусну
подібність (3.7) – інваріантність до довжини вектора, поріг 0,15 визначено
експериментально. Описано алгоритм rank_score (3.8) з логарифмом часу
перегляду, модель профілю користувача з заваженням активного часу (3.9),
алгоритм зовнішніх рекомендацій query_score (3.10) і EMA-decay α = 0,3 (3.11)
для поступового забування інтересів. Проведено аналіз обчислювальної
складності, що підтвердив придатність всіх алгоритмів для роботи на
звичайному ПК без спеціалізованого обладнання.
У четвертому розділі виконано повну програмну реалізацію системи.
Розроблено браузерне розширення Chrome (Manifest V3): скрипт content.js
витягує атрибути товарів з DOM-дерева через стемінг та підрахунок score,
відстежує activeTime лише при активній взаємодії; background.js передає дані
на серверний API. Реалізовано базу даних MariaDB із семи таблиць з
інкрементальним накопиченням часу активності та механізмом EMA-decay (α
= 0,3) для поступового «забування» застарілих інтересів без видалення рядків.
Реалізовано pipeline рекомендацій у модулі recommend.js та модуль зовнішніх
рекомендацій у scraper.js - паралельний веб-скрейпінг hotline.ua до чотирьох
запитів через Promise.all. Реалізовано React-дашборд з п’ятьма вкладками.
У п’ятому розділі описано інтерфейс розробленого прототипу системи
«Smart Parser» та наведено результати функціонального тестування.
Перевірено коректність роботи всіх компонентів: збору профілю, формування
Арк.
ЧДТУ.262210.010 ПЗ
Змн. Арк. № докум. Підпис Дата 83
84
внутрішніх та зовнішніх рекомендацій, механізму зворотного зв’язку та
відображення аналітики. Підтверджено виконання нефункціональної вимоги
щодо часу відгуку API менше 200 мс. Розглянуто сценарії роботи користувача
з системою та наведено UML-діаграми взаємодії компонентів. Описано
механізм контекстного зважування рекомендацій залежно від часу доби та
погодних умов.
Практична цінність роботи полягає у розробці повнофункціонального
програмного прототипу, що вирішує реальну задачу персоналізованих
рекомендацій для одного користувача без передачі персональних даних на
зовнішні сервери. Система працює безпосередньо у браузері і може бути
розгорнута однією командою через Docker на будь-якому персональному
комп’ютері.
Перспективами подальшого розвитку системи є розширення джерел
зовнішніх рекомендацій, покращення алгоритму категоризації товарів, а також
використання даних зворотного зв’язку для моделі ранжування.
Арк.
ЧДТУ.262210.010 ПЗ
Змн. Арк. № докум. Підпис Дата 84
ДОДАТОК А
«ЗАТВЕРДЖУЮ»
Завідувач кафедри ІБ та КІ
к.т.н., доцент Артем ЛАВДАНСЬКИЙ
__________________
«___» ____________ 2026 року
Інформаційна система динамічного прогнозування інтересів
користувача на основі контекстно-залежних даних
Специфікація
482.ЧДТУ.62210-01
Листів 2
Розробник _______________ Максим ПОЛІЩУК
Керівник _______________ Артем СКУЦЬКИЙ
Черкаси 2026
2
482.ЧДТУ.62210-01
Позначення Найменування Примітка
Документація
482.ЧДТУ.62210-01 12 01 Текст програми
ДОДАТОК Б
Інформаційна система динамічного прогнозування інтересів
користувача на основі контекстно-залежних даних
Текст програми
482.ЧДТУ.62211-01 12 01
Листів 15
Розробник: ____________ Максим ПОЛІЩУК
Черкаси 2026
2
482.ЧДТУ.62210-01 12 01
Вихідний код серверного модуля та модуля збору даних
const cheerio = require("cheerio");
const HOTLINE_BASE = "https://hotline.ua";
const USER_AGENT = "Mozilla/5.0 (Windows NT 10.0; Win64; x64)
AppleWebKit/537.36 (KHTML, like Gecko) Chrome/131.0.0.0 Safari/537.36";
// ПАРСИНГ СТОРІНКИ ПОШУКУ HOTLINE
async function searchHotline(query) {
const url = `${HOTLINE_BASE}/sr/?q=${encodeURIComponent(query)}`;
try {
const res = await fetch(url, {
headers: {
"User-Agent": USER_AGENT,
"Accept-Language": "uk-UA,uk;q=0.9",
"Accept": "text/html,application/xhtml+xml"
},
redirect: "follow"
});
if (!res.ok) {
console.error(`Hotline search failed: ${res.status} for query "${query}"`);
return [];
}
const html = await res.text();
return parseSearchResults(html);
} catch (err) {
console.error(`Hotline fetch error for "${query}":`, err.message);
return [];
}
}
function parseSearchResults(html) {
const $ = cheerio.load(html);
const results = [];
$(".list-item").each((i, el) => {
if (i >= 10) return false;
const titleEl = $(el).find(".item-title");
const title = titleEl.text().trim();
const link = titleEl.attr("href");
if (!title || !link) return;
3
482.ЧДТУ.62210-01 12 01
const valueText = $(el).find(".list-item__value").text().trim();
const priceMin = extractMinPrice(valueText);
// Картинка
const img = $(el).find("img").attr("src") || null;
const fullImg = img && !img.startsWith("http") ? HOTLINE_BASE + img : img;
// Повна URL
const fullLink = HOTLINE_BASE + link;
if (priceMin > 0) {
// Очищуємо priceText від зайвого тексту
let priceText = valueText.split("Всі")[0].split("Купити")[0].split("\n")[0].trim();
if (priceText.length > 30) priceText = `${priceMin.toLocaleString()} ₴`;
results.push({
title,
url: fullLink,
image: fullImg,
priceMin,
priceText,
source: "hotline.ua"
});
}
});
return results;
}
function extractMinPrice(text) {
// "39 950 – 81 434 ₴" → 39950
// "12 999 ₴" → 12999
const match = text.match(/(\d[\d\s]*\d)\s*[–--]/);
if (match) {
return parseInt(match[1].replace(/\s/g, ""), 10);
}
const single = text.match(/(\d[\d\s]*\d)\s*₴/);
if (single) {
return parseInt(single[1].replace(/\s/g, ""), 10);
}
return 0;
}
// ==================== ПОБУДОВА ПОШУКОВИХ ЗАПИТІВ
====================
function buildSearchQueries(items, visits) {
// Час активності по URL
const visitTimeByUrl = {};
4
482.ЧДТУ.62210-01 12 01
(visits || []).forEach(v => {
visitTimeByUrl[v.url] = (visitTimeByUrl[v.url] || 0) + (v.active_time || 0);
});
// Сортуємо items за часом перегляду (найбільше часу = найцікавіше)
const scored = items.map(item => ({
...item,
viewTime: visitTimeByUrl[item.url] || 0
}));
scored.sort((a, b) => b.viewTime - a.viewTime);
const queries = [];
const seen = new Set();
for (const item of scored) {
// Запит 1: Бренд + категорія (найточніший)
const brand = (item.brands || [])[0];
const category = item.category_label;
if (brand && category && category !== "Other") {
const q = `${brand} ${category}`.toLowerCase();
if (!seen.has(q)) {
seen.add(q);
queries.push({ query: q, weight: 3, sourceId: item.id, sourceTitle: item.title });
}
}
// Запит 2: Ключове слово з заголовку товару (для конкретних моделей)
if (item.title) {
// Витягуємо перші 3-4 слова з заголовку (зазвичай це бренд + модель)
const titleWords = item.title
.replace(/[–-\-\(\)]/g, " ")
.split(/\s+/)
.filter(w => w.length > 2)
.slice(0, 4)
.join(" ");
if (titleWords && !seen.has(titleWords.toLowerCase())) {
seen.add(titleWords.toLowerCase());
queries.push({ query: titleWords, weight: 2, sourceId: item.id, sourceTitle:
item.title });
}
}
// Максимум 4 пошукових запити (щоб не перевантажувати Hotline)
if (queries.length >= 4) break;
}
return queries;
}
5
482.ЧДТУ.62210-01 12 01
// ГОЛОВНА ФУНКЦІЯ
async function getExternalRecommendations(items, visits) {
if (!items || items.length === 0) {
return { status: "no_data", recommendations: [], queries: [] };
}
const queries = buildSearchQueries(items, visits);
if (queries.length === 0) {
return { status: "no_queries", recommendations: [], queries: [] };
}
// Паралельний пошук по всіх запитах
const searchPromises = queries.map(async (q) => {
const results = await searchHotline(q.query);
return results.map(r => ({
...r,
searchQuery: q.query,
queryWeight: q.weight,
sourceId: q.sourceId,
sourceTitle: q.sourceTitle
}));
});
const allResults = (await Promise.all(searchPromises)).flat();
// Фільтруємо: прибираємо товари, які користувач вже бачив
const viewedUrls = new Set(items.map(i => i.url));
const viewedTitles = new Set(items.map(i => (i.title || "").toLowerCase().substring(0,
40)));
const filtered = allResults.filter(r => {
// Не показувати вже переглянуті
if (viewedUrls.has(r.url)) return false;
// Не показувати з такою ж назвою (може бути на іншому сайті)
const shortTitle = r.title.toLowerCase().substring(0, 40);
if (viewedTitles.has(shortTitle)) return false;
return true;
});
// Видаляємо дублікати за назвою
const uniqueMap = new Map();
for (const item of filtered) {
const key = item.title.toLowerCase().substring(0, 50);
if (!uniqueMap.has(key) || item.priceMin < uniqueMap.get(key).priceMin) {
uniqueMap.set(key, item);
}
}
6
482.ЧДТУ.62210-01 12 01
// Сортуємо за ціною (від дешевшого)
const unique = [...uniqueMap.values()];
unique.sort((a, b) => a.priceMin - b.priceMin);
return {
status: "ok",
recommendations: unique.slice(0, 12),
queries: queries.map(q => q.query)
};
}
module.exports = { getExternalRecommendations, searchHotline, buildSearchQueries };
Вихідний код функції формування рекомендацій (buildRecommendations)
const JUNK_KEYWORDS = new Set([
"comfy", "комфі", "алло", "allo", "ябко", "jabko", "rozetka", "розетка",
"moyo", "мойо", "фокстрот", "foxtrot", "цитрус", "citrus", "hotline",
"епіцентр", "epicentr", "eldorado", "prom",
"рахунок", "пошта", "послуга", "послуги", "сервіс", "сервіси",
"коментар", "коментувати", "рекомендують", "придбано", "корисно",
"відновлений", "refurbished", "certified", "ремонт",
"захисний", "передзамовлення", "кнопки", "кнопка",
"квітня", "березня", "січня", "лютого", "травня", "червня",
"липня", "серпня", "вересня", "жовтня", "листопада", "грудня",
"годин", "хвилин", "днів", "акселерометр", "гіроскоп",
"iphone", "samsung", "apple", "xiaomi", // бренди не повинні бути ключовими
словами - вони вже в brands
"квiтня", "квітня", "березня", "січня", "лютого", "травня", "червня",
"липня", "серпня", "вересня", "жовтня", "листопада", "грудня",
"немає", "роботи", "ultra"
]);
// КРОК 1: TF-IDF
function computeTfIdf(items) {
const N = items.length;
if (N === 0) return { vectors: [], vocabulary: [] };
const df = {};
const allWords = new Set();
items.forEach(item => {
const uniqueWords = new Set(
(item.keywords || [])
.map(k => k.word)
.filter(w => !JUNK_KEYWORDS.has(w.toLowerCase()))
);
uniqueWords.forEach(w => {
7
482.ЧДТУ.62210-01 12 01
allWords.add(w);
df[w] = (df[w] || 0) + 1;
});
});
const vocabulary = Array.from(allWords).sort();
const wordIndex = {};
vocabulary.forEach((w, i) => wordIndex[w] = i);
const vectors = items.map(item => {
const vec = new Array(vocabulary.length).fill(0);
const keywords = (item.keywords || []).filter(k
=> !JUNK_KEYWORDS.has(k.word.toLowerCase()));
const totalScore = keywords.reduce((sum, k) => sum + k.score, 0) || 1;
keywords.forEach(kw => {
const idx = wordIndex[kw.word];
if (idx !== undefined) {
const tf = kw.score / totalScore;
const idf = Math.log((N + 1) / (df[kw.word] + 1)) + 1;
vec[idx] = tf * idf;
}
});
return vec;
});
return { vectors, vocabulary, wordIndex };
}
// КРОК 2: FEATURE EMBEDDINGS
function buildEmbeddings(items, tfidfVectors) {
const allBrands = [...new Set(items.flatMap(i => i.brands || []))];
const allColors = [...new Set(items.flatMap(i => i.colors || []))];
const allCategories = [...new Set(items.map(i => i.category_label).filter(Boolean))];
const allDomains = [...new Set(items.map(i => i.domain).filter(Boolean))];
const prices = items.map(i => parseFloat(i.price) || 0).filter(p => p > 0);
const maxPrice = Math.max(...prices, 1);
const embeddings = items.map((item, idx) => {
const tfidf = tfidfVectors[idx] || [];
const brandVec = allBrands.map(b => (item.brands || []).includes(b) ? 2.0 : 0);
const colorVec = allColors.map(c => (item.colors || []).includes(c) ? 1.0 : 0);
const catVec = allCategories.map(c => c === item.category_label ? 3.0 : 0);
const domainVec = allDomains.map(d => d === item.domain ? 0.5 : 0);
const priceFeature = [(parseFloat(item.price) || 0) / maxPrice];
return [...tfidf, ...brandVec, ...colorVec, ...catVec, ...domainVec, ...priceFeature];
8
482.ЧДТУ.62210-01 12 01
});
return {
embeddings,
featureInfo: {
tfidfSize: tfidfVectors[0]?.length || 0,
brands: allBrands,
colors: allColors,
categories: allCategories,
domains: allDomains,
totalDimensions: embeddings[0]?.length || 0
}
};
}
// КРОК 3: COSINE SIMILARITY
function cosineSimilarity(a, b) {
if (a.length !== b.length || a.length === 0) return 0;
let dot = 0, normA = 0, normB = 0;
for (let i = 0; i < a.length; i++) {
dot += a[i] * b[i];
normA += a[i] * a[i];
normB += b[i] * b[i];
}
const denom = Math.sqrt(normA) * Math.sqrt(normB);
return denom === 0 ? 0 : dot / denom;
}
function buildSimilarityMatrix(embeddings) {
const n = embeddings.length;
const matrix = Array.from({ length: n }, () => new Array(n).fill(0));
for (let i = 0; i < n; i++) {
for (let j = i; j < n; j++) {
const sim = cosineSimilarity(embeddings[i], embeddings[j]);
matrix[i][j] = sim;
matrix[j][i] = sim;
}
}
return matrix;
}
// ПОЯСНЕННЯ РЕКОМЕНДАЦІЙ
function explainSimilarity(itemA, itemB, simScore) {
const reasons = [];
// Спільна категорія
if (itemA.category_label && itemA.category_label === itemB.category_label) {
reasons.push(`Та сама категорія: ${itemA.category_label}`);
9
482.ЧДТУ.62210-01 12 01
}
// Спільні бренди
const commonBrands = (itemA.brands || []).filter(b => (itemB.brands || []).includes(b));
if (commonBrands.length > 0) {
reasons.push(`Спільні бренди: ${commonBrands.join(", ")}`);
}
// Спільні кольори
const commonColors = (itemA.colors || []).filter(c => (itemB.colors || []).includes(c));
if (commonColors.length > 0) {
reasons.push(`Спільні кольори: ${commonColors.join(", ")}`);
}
// Спільні ключові слова (без сміттєвих)
const kwA = new Set((itemA.keywords || []).map(k => k.word).filter(w
=> !JUNK_KEYWORDS.has(w.toLowerCase())));
const kwB = new Set((itemB.keywords || []).map(k => k.word).filter(w
=> !JUNK_KEYWORDS.has(w.toLowerCase())));
const commonKw = [...kwA].filter(w => kwB.has(w));
if (commonKw.length > 0) {
reasons.push(`Спільні ключові слова: ${commonKw.slice(0, 5).join(", ")}`);
}
// Схожа ціна
const priceA = parseFloat(itemA.price) || 0;
const priceB = parseFloat(itemB.price) || 0;
if (priceA > 0 && priceB > 0) {
const ratio = Math.min(priceA, priceB) / Math.max(priceA, priceB);
if (ratio > 0.7) {
reasons.push(`Схожий ціновий діапазон: ${priceA}₴ - ${priceB}₴`);
}
}
// Той самий домен
if (itemA.domain && itemA.domain === itemB.domain) {
reasons.push(`Той самий сайт: ${itemA.domain}`);
}
return reasons;
}
function buildRecommendations(items, embeddings, similarityMatrix, visitTimeByUrl) {
// Для кожного item знаходимо найсхожіші інші items
// Рекомендація = "Якщо вам сподобалось X, вам також може сподобатись Y"
// Знаходимо item з найбільшим часом перегляду - це головний інтерес
let maxTime = 0;
let focusIdx = 0;
10
482.ЧДТУ.62210-01 12 01
items.forEach((item, i) => {
const time = visitTimeByUrl[item.url] || 0;
if (time > maxTime) {
maxTime = time;
focusIdx = i;
}
});
const recommendations = [];
// Для кожного "цікавого" item (час > медіани) рекомендуємо схожі
const times = items.map(item => visitTimeByUrl[item.url] || 0);
const sortedTimes = [...times].sort((a, b) => a - b);
const medianTime = sortedTimes[Math.floor(sortedTimes.length / 2)];
items.forEach((sourceItem, i) => {
const sourceTime = visitTimeByUrl[sourceItem.url] || 0;
if (sourceTime < medianTime && i !== focusIdx) return;
// Знаходимо топ-3 схожих items
const similarities = similarityMatrix[i]
.map((sim, j) => ({ idx: j, sim }))
.filter(s => s.idx !== i && s.sim > 0.15)
.sort((a, b) => b.sim - a.sim)
.slice(0, 3);
similarities.forEach(({ idx: j, sim }) => {
const targetItem = items[j];
const reasons = explainSimilarity(sourceItem, targetItem, sim);
if (reasons.length === 0) return;
// Потрібна хоча б одна "змістовна" причина - не лише категорія/колір/сайт
const hasContentReason = reasons.some(r =>
r.includes("ключові слова") || r.includes("бренди") || r.includes("ціновий
діапазон")
);
if (!hasContentReason) return;
recommendations.push({
sourceId: sourceItem.id,
sourceTitle: sourceItem.title || sourceItem.url,
sourceTime: sourceTime,
targetId: targetItem.id,
targetTitle: targetItem.title || targetItem.url,
targetUrl: targetItem.url,
targetDomain: targetItem.domain,
targetCategory: targetItem.category_label,
targetBrands: targetItem.brands || [],
targetPrice: targetItem.price,
11
482.ЧДТУ.62210-01 12 01
similarity: Math.round(sim * 1000) / 1000,
reasons,
});
});
});
// Видаляємо дублікати (та сама пара source→target)
const seen = new Set();
const unique = recommendations.filter(r => {
const key = `${r.sourceId}-${r.targetId}`;
if (seen.has(key)) return false;
seen.add(key);
return true;
});
// Сортуємо за similarity * sourceTime (чим довше дивився + чим схожіше =
важливіше)
unique.sort((a, b) => (b.similarity * Math.log(b.sourceTime + 1)) - (a.similarity *
Math.log(a.sourceTime + 1)));
return unique.slice(0, 10);
}
Вихідний код React-компонентів інтерфейсу користувача
//App.jsx
import { useState } from "react";
import { useRecommendations, resetSession, sendFeedback } from "./hooks/useApi";
import PipelineBanner from "./components/PipelineBanner";
import DashboardTab from "./components/tabs/DashboardTab";
import RecommendationsTab from "./components/tabs/RecommendationsTab";
import AnalyticsTab from "./components/tabs/AnalyticsTab";
import MatrixTab from "./components/tabs/MatrixTab";
import ExternalTab from "./components/tabs/ExternalTab";
import "./App.css";
const TABS = [
{ id: "dashboard", label: "Dashboard" },
{ id: "recommendations", label: "Рекомендації" },
{ id: "external", label: "Hotline.ua" },
{ id: "analytics", label: "Аналітика" },
{ id: "matrix", label: "Матриця" },
];
function App() {
const [tab, setTab] = useState("dashboard");
const { data, loading, error, refresh } = useRecommendations(8000);
12
482.ЧДТУ.62210-01 12 01
const handleReset = async () => {
await resetSession();
refresh();
};
const handleFeedback = async (sourceId, targetId, useful) => {
await sendFeedback(sourceId, targetId, useful);
};
if (loading && !data) {
return (
<div className="loading">
<div className="spinner" />
Завантаження даних сесії...
</div>
);
}
if (error) {
return (
<div className="empty-state">
<div className="empty-icon">!</div>
<h2>Сервер недоступний</h2>
<p>Запустіть сервер: cd server && npm start</p>
</div>
);
}
const d = data || {};
const isEmpty = !d.items || d.items.length === 0;
return (
<>
<div className="header">
<h1>
<span className="dot" />
Smart Parser
</h1>
<div className="header-actions">
<button className="btn" onClick={refresh}>
Оновити
</button>
<button className="btn btn-danger" onClick={handleReset}>
Очистити сесію
</button>
</div>
</div>
{!isEmpty && <PipelineBanner data={d} />}
13
482.ЧДТУ.62210-01 12 01
<div className="tabs">
{TABS.map((t) => (
<button
key={t.id}
className={`tab ${tab === t.id ? "active" : ""}`}
onClick={() => setTab(t.id)}
>
{t.label}
</button>
))}
</div>
{isEmpty ? (
<div className="empty-state">
<div className="empty-icon">?</div>
<h2>Сесія порожня</h2>
<p>
Почніть переглядати сайти - розширення автоматично збиратиме
дані для аналізу та рекомендацій
</p>
</div>
) : (
<>
{tab === "dashboard" && <DashboardTab data={d} />}
{tab === "recommendations" && (
<RecommendationsTab data={d} onFeedback={handleFeedback} />
)}
{tab === "external" && <ExternalTab data={d} />}
{tab === "analytics" && <AnalyticsTab data={d} />}
{tab === "matrix" && <MatrixTab data={d} />}
</>
)}
</>
);
}
export default App;
// AnalyticsTab.jsx
import BarChart from "../BarChart";
export default function AnalyticsTab({ data }) {
return (
<>
<div className="grid-2">
<div className="card">
<div className="card-title">Топ категорії</div>
14
482.ЧДТУ.62210-01 12 01
{data.topCategories?.length > 0 ? (
<BarChart items={data.topCategories} color="blue" />
) : (
<p className="empty-small">Немає даних</p>
)}
</div>
<div className="card">
<div className="card-title">Топ бренди</div>
{data.topBrands?.length > 0 ? (
<BarChart items={data.topBrands} color="purple" />
) : (
<p className="empty-small">Немає даних</p>
)}
</div>
</div>
<div className="card">
<div className="card-title">Ключові інтереси</div>
{data.topKeywords?.length > 0 ? (
<>
<div className="keyword-cloud" style={{ marginBottom: 20 }}>
{data.topKeywords.map((kw) => (
<span className="keyword-tag" key={kw.name}>
{kw.name}
</span>
))}
</div>
<BarChart items={data.topKeywords} color="green" />
</>
) : (
<p className="empty-small">Немає даних</p>
)}
</div>
</>
);
}
// RecommendationsTab.jsx
import RecommendationCards from "../RecommendationCards";
export default function RecommendationsTab({ data, onFeedback }) {
return (
<div className="card">
<div className="card-title">
Персональні рекомендації
</div>
<div className="card-subtitle">
На основі вашого часу перегляду та схожості контенту
15
482.ЧДТУ.62210-01 12 01
</div>
<RecommendationCards
recommendations={data.recommendations || []}
onFeedback={onFeedback}
/>
</div>
);
}
100
СПИСОК ВИКОРИСТАНИХ ДЖЕРЕЛ
1. ДСТУ 3008:2015. Звіти у сфері науки і техніки. Структура і правила
оформлення. Київ: ДП УкрНДНЦ, 2016. 31 с.
2. Aggarwal C. C. Recommender Systems: The Textbook. Springer
International Publishing, 2016. 498 p.
3. Manning C. D., Raghavan P., Schütze H. Introduction to Information
Retrieval. Cambridge: Cambridge University Press, 2008. 482 p.
4. Ricci F., Rokach L., Shapira B. Introduction to Recommender Systems
Handbook. Springer, Boston, MA, 2011. 842 p.
5. Adomavicius G., Tuzhilin A. Context-Aware Recommender Systems.
Recommender Systems Handbook. Springer, Boston, MA, 2011. P. 217–253.
6. Burke R. Hybrid Web Recommender Systems. The Adaptive Web. Springer,
Berlin, Heidelberg, 2007. P. 377–408.
7. Covington P., Adams J., Sargin E. Deep Neural Networks for YouTube
Recommendations. Proc. of the 10th ACM Conf. on Recommender Systems
(RecSys 2016). 2016. P. 191–198.
8. Exposito P. et al. Deep learning for session-based recommendation: a survey.
Knowledge-Based Systems. 2022. Vol. 246. Article 108610.
9. He X. et al. Neural Collaborative Filtering. Proc. of the 26th Int. Conf. on
WWW. 2017. P. 173–182.
10.Hidasi B. et al. Session-based Recommendations with Recurrent Neural
Networks. ICLR 2016. [Електронний ресурс]. URL:
https://arxiv.org/abs/1511.06939 (дата звернення: 08.06.2026).
11.Hochreiter S., Schmidhuber J. Long Short-Term Memory. Neural
Computation. 1997. Vol. 9, No. 8. P. 1735–1780.
12.Koren Y., Bell R., Volinsky C. Matrix Factorization Techniques for
Recommender Systems. Computer. 2009. Vol. 42, No. 8. P. 30–37.
Арк.
ЧДТУ.262210.010 ПЗ
Змн. Арк. № докум. Підпис Дата 100
101
13.Kula M. Metadata Embeddings for User and Item Cold-start
Recommendations. Proc. of the 2nd Workshop on New Trends on Content-
Based Recommender Systems. 2015. P. 14–21.
14.Linden G., Smith B., York J. Amazon.com Recommendations: Item-to-Item
Collaborative Filtering. IEEE Internet Computing. 2003. Vol. 7, No. 1. P.
76–80.
15.Liu F. et al. STAMP: Short-Term Memory Priority Model for Session-based
Recommendation. Proc. of the 24th ACM SIGKDD. 2018. P. 1831–1839.
16.Mooney R. J., Roy L. Content-based book recommending using learning for
text categorization. Proc. of the 5th ACM Conf. on Digital Libraries. 2000. P.
195–204.
17.Rendle S. et al. BPR: Bayesian Personalized Ranking from Implicit Feedback.
Proc. of UAI 2009. P. 452–461.
18.Shani G., Gunawardana A. Evaluating Recommendation Systems.
Recommender Systems Handbook / Ed. by F. Ricci et al. Springer, Boston,
MA, 2011. P. 257–297.
19.Sun F. et al. BERT4Rec: Sequential Recommendation with Bidirectional
Encoder Representations from Transformer. Proc. of CIKM 2019. P.
1441–1450.
20.Tan Y. K. et al. Improved Session-based Recommendations with Dynamic
RNN. Proc. of the 1st Workshop on Deep Learning for Recommender
Systems. 2016. P. 17–22.
21.Vaswani A. et al. Attention Is All You Need. Advances in Neural Information
Processing Systems 30 (NeurIPS 2017). P. 5998–6008.
22.Wang X. et al. KGAT: Knowledge Graph Attention Network for
Recommendation. Proc. of KDD 2019. P. 950–958.
23.Zhang S. et al. Deep Learning Based Recommender System: A Survey and
New Perspectives. ACM Computing Surveys. 2019. Vol. 52, No. 1. Article
5.
Арк.
ЧДТУ.262210.010 ПЗ
Змн. Арк. № докум. Підпис Дата 101
102
24.Cheerio Documentation. [Електронний ресурс]. URL: https://cheerio.js.org/
(дата звернення: 05.04.2026).
25.Google Chrome Extensions API Reference. [Електронний ресурс]. URL:
https://developer.chrome.com/docs/extensions/ (дата звернення:
20.03.2026).
26.MariaDB Documentation. [Електронний ресурс]. URL:
https://mariadb.com/kb/en/ (дата звернення: 10.03.2026).
27.Node.js Documentation. [Електронний ресурс]. URL:
https://nodejs.org/en/docs/ (дата звернення: 18.03.2026).
28.OpenAPI Specification. [Електронний ресурс]. URL:
https://spec.openapis.org/oas/latest.html (дата звернення: 10.04.2026).
29.React Documentation. [Електронний ресурс]. URL: https://react.dev/ (дата
звернення: 15.03.2026).
30.RecBole: A Unified, Comprehensive and Efficient Recommendation Library.
[Електронний ресурс]. URL: https://recbole.io/ (дата звернення:
12.03.2026).
31.Redis Documentation. [Електронний ресурс]. URL: https://redis.io/docs/
(дата звернення: 10.03.2026).
32.Vite Documentation. [Електронний ресурс]. URL: https://vitejs.dev/ (дата
звернення: 18.03.2026).
Арк.
ЧДТУ.262210.010 ПЗ
Змн. Арк. № докум. Підпис Дата 102