Разработка гибридной рекомендательной системы для авиапассажиров

В современном мире рекомендательные системы на базе искусственного интеллекта играют все более значимую роль, предоставляя персонализированный контент и помогая пользователям ориентироваться в обилии доступных опций

При этом эффективность систем повышается при одновременном использовании различных методов. Например, ассоциативные правила определяют общие шаблоны в данных, а метрики сходства персонализируют рекомендации. Это подтверждается практическими результатами, полученными крупными авиакомпаниями и сервисами по бронированию авиабилетов, такими как «S7 Airlines», «Booking.com», «Авиасейлс»

В условиях быстрого развития информационных технологий и роста объемов данных перспективы рекомендательных систем в сфере авиаперелетов расширяются. В данной статье будет рассмотрена разработка оригинальной рекомендательной системы в сфере авиаперелетов на основе гибридного подхода, которая будет анализировать различные факторы: предпочтения пассажира, историю его путешествий, текущие сезонные тренды и многое другое. Такая система делает процесс выбора авианаправления более персонализированным и удовлетворяющим потребностям каждого пользователя.

Разработка эффективной рекомендательной системы включает в себя множество этапов. Рассмотрим общую схему взаимодействий между различными этапами системы, включая сбор данных, их обработку, обучение моделей и предоставление рекомендаций пользователям.

В отличие от существующих решений, в данной работе предлагается принципиально новый гибридный подход, основанный на оригинальной комбинации методов коллаборативной и контентной фильтрации, графовых моделей и машинного обучения. Основные этапы разработки системы представлены на рисунке 1.

Рисунок 1 - Этапы разработки рекомендательной системы

DOI:10.60797/IRJ.2025.156.41.1

На этапе сбора данных были использованы разнообразные источники информации.

1. История просмотров городов: данные о том, какие города пользователи просматривали до этого в разработанном мобильном приложении для покупки и бронирования авиабилетов

2. Покупки билетов: информация о купленных билетах, включая города отправления и назначения, даты.

3. Предварительные бронирования: данные о городах, на которые пользователи предварительно бронировали билеты.

4. Интересы пользователей: анкеты и профили пользователей, содержащие их предпочтения и интересы (например, пляжный отдых, исторические места и т.д.).

5. Сезонность: коэффициенты популярности городов в зависимости от текущего сезона.

6. Популярность: общие коэффициенты популярности городов.

Сбор данных осуществляется путем выполнения SQL-запросов к базе данных аэропорта.

На этапе машинного обучения были использованы различные модели для прогнозирования предпочтений пользователей.

1. Коллаборативная фильтрация: метод сингулярного разложения матрицы (SVD) для определения схожести между пользователями и городами.

2. Модель случайного леса: используется для прогнозирования вероятности выбора конкретного направления на основе профиля пользователя и его истории.

3. Линейная регрессия: объединяет результаты коллаборативной фильтрации и графовых моделей для создания финальной гибридной модели.

Графовые модели позволяют представить города и перелеты в виде ориентированного взвешенного графа.

1. Вершины представляют города, а дуги — вероятности перелетов между ними на основе предпочтений пользователя.

2. Алгоритм PageRank

Гибридная модель объединяет результаты всех вышеуказанных моделей, выполняя следующие этапы.

1. Ранжирование городов осуществляется на основе коллаборативной фильтрации и модели случайного леса.

2. Смешивание результатов выполняется с помощью линейной регрессии, которая комбинирует результаты коллаборативной фильтрации, графовых моделей и модели случайного леса.

Взаимодействие рекомендательной системы с разработанным мобильным приложением для покупки и бронирования авиабилетов осуществляется через API. Оно обеспечивает:

- получение рекомендаций для конкретного пользователя, основанные на его профиле и активности;

- предоставление обновленной информации о пользователе и его предпочтениях.

Результаты коллаборативной фильтрации, графовых моделей и случайного леса комбинируются с помощью модели линейной регрессии для получения гибридной модели и определения финального рейтинга городов.

API рекомендаций выполняет следующие действия:

- предоставляет доступ к рекомендациям через HTTP-запросы для мобильного приложения;

- обновляет информацию о пользователях и сохраняет результаты рекомендаций в базу данных.

Разработанное мобильное приложение для покупки и бронирования авиабилетов взаимодействует с API рекомендаций следующим образом.

1. Запрос авторизации. Приложение отправляет запрос на авторизацию и получает JWT-токен для дальнейшей работы.

2. Получение рекомендаций. Приложение отправляет запрос с JWT-токеном для получения рекомендаций для конкретного пользователя.

3. API возвращает список городов, отсортированных по убыванию релевантности.

4. Приложение отображает полученные рекомендации в пользовательском интерфейсе.

5. Обновление данных пользователя. При изменении предпочтений или активности пользователя приложение отправляет обновленные данные на сервер.

Рассмотрим подробнее алгоритмы и модели, заложенные в основу оригинальной рекомендательной системы для авиаперелетов. Система использует комбинацию нескольких методов, включая коллаборативную фильтрацию, графовые модели, машинное обучение. Это обеспечивает более точную и персонализированную выдачу рекомендаций для пользователей.

Коллаборативная фильтрация (Collaborative filtering) — это метод рекомендации, при котором анализируется только реакция пользователей на объекты: оценки, которые выставляют пользователи объектам

Получается, что пользователи помогают друг другу в фильтрации объектов. Поэтому такой метод называется также совместной фильтрацией.

В нашем случае используется метод сингулярного разложения матрицы (SVD), который позволяет выявить скрытые факторы предпочтений пользователей.

Создание рекомендательной системы производилось на языке программирования Python. Сначала формируется матрица взаимодействий «пассажир-город», где строки представляют пассажиров, а столбцы — города. Значения в ячейках отражают коэффициент взаимодействия пассажира с определенным городом (неявные оценки) на основе его активности (покупка билета добавляет 5 единиц, бронирование — 3, просмотр — 1).

Для построения модели коллаборативной фильтрации используется сингулярное разложение (SVD). Сначала выполняется разложение матрицы на три компонента: U, sigma и Vt. Затем вычисляются факторы пассажиров и городов. Ниже приведен листинг кода, в котором производятся данные шаги.

1from scipy.sparse.linalg import svds
2import numpy as np
3 
4# Вычисление сингулярного разложения для коллаборативной фильтрации
5U, sigma, Vt = svds(passenger_city_matrix.to_numpy(), k=10)
6sigma = np.diаg(sigma)
7passenger_factors = U @ sigma
8city_factors = Vt.T

С помощью полученных факторов можно прогнозировать предпочтения каждого пассажира к городам, например, с помощью функции, представленной в листинге ниже.

1# Функция для прогнозирования предпочтений пассажира к городам с использованием SVD
2def predict_city_preferences_svd(passenger_id):
3    passenger_idx = passenger_city_matrix.index.get_loc(passenger_id)
4    passenger_vector = passenger_factors[passenger_idx, :]
5    scores = passenger_vector @ city_factors.T
6    return pd.Series(scores, index=passenger_city_matrix.columns)
7 
8# Предсказания на основе SVD
9svd_predictions = predict_city_preferences_svd (id_passenger).sort_values(ascending=False)

Иллюстрацию работы алгоритма коллаборативной фильтрации можно увидеть на рисунке 2, который визуализирует процесс создания и разложения матрицы «пассажир-город» с помощью SVD.

Рисунок 2 - Иллюстрация алгоритма коллаборативной фильтрации

DOI:10.60797/IRJ.2025.156.41.2

Графовые модели в рекомендательных системах представляют собой мощный инструмент для моделирования и анализа сложных структур данных, где объекты и их взаимосвязи могут быть наглядно представлены в виде вершин и дуг графа

[12]

. Эти модели позволяют учесть не только характеристики отдельных элементов (например, пользователей или товаров), но и типы и силу их взаимодействий, что делает их особенно ценными для создания персонализированных рекомендаций.

В контексте рекомендательных систем, графовые модели используются для представления и анализа разнообразных данных, таких как социальные сети, пользовательские предпочтения, товарные каталоги и их взаимосвязи. Эти модели способствуют более глубокому пониманию структуры предпочтений и поведения пользователей, позволяя обнаруживать скрытые паттерны и предсказывать потенциальный интерес к определенным товарам или услугам.

В нашем случае графовые модели позволяют представить города и перелеты в виде ориентированного графа, где вершины — это города, а дуги — вероятности перелетов между ними. Веса дуг зависят от предпочтений пользователя и его активности.

Для каждого пассажира создается взвешенный ориентированный граф предпочтений. Вершины представляют города, а дуги – вероятности перелетов между ними, основываясь на профиле пользователя и его предыдущей активности. Листинг кода, осуществляющего создание такого графа, представлен ниже.

1import networkx as nx
2 
3graphs = {}
4 
5for id_passenger in data['id_passenger'].unique():
6    G = nx.DiGraph()
7    G.add_nodes_from(all_cities)
8   
9    passenger_data = data[(data['id_passenger'] == id_passenger)].iloc[[0]]
10   
11    # Добавление дуг с весами
12    for city_departure in all_cities:
13        for city_arrival in all_cities:
14            if city_departure == city_arrival:
15                continue
16           
17            G.add_edge(city_departure, city_arrival, weight=coeff)
18    graphs[id_passenger] = G

Для ранжирования городов в графе предпочтений используется алгоритм PageRank. Он определяет вероятность посещения каждого города на основе случайных блужданий. Идея алгоритма заключается в определении важности веб-страницы, исходя из количества и качества ссылок на нее

Для ранжирования городов в графах предпочтений применялся алгоритм PageRank, реализованный в библиотеке networkx. Алгоритм вычисляет для каждого города значение PageRank, отражающее его «важность» в графе, что интерпретируется как вероятность посещения города. Параметр alpha=0.85 задает коэффициент демпфирования. Результаты PageRank, представляющие собой словарь «город-значение», сортируются по убыванию значения для получения ранжированного списка городов.

Упрощенно созданный граф можно представить на рисунке 3. На нем изображено в качестве узлов 3 города (C1, C2 и C3), а также дуги, представляющие вероятность перехода из одного города в другой, веса которых высчитываются для каждого пассажира отдельно с использованием модели случайного леса. Также в каждом узле определен PageRank. Как можно заметить, наименее релевантным городом в данном графе является C3.

Рисунок 3 - Иллюстрация графовой модели

DOI:10.60797/IRJ.2025.156.41.3

Случайный лес — это ансамблевый метод машинного обучения, использующий множество решающих деревьев для определения наилучшего решения через усреднение выводов отдельных деревьев

[13]

. Эта модель особенно эффективна для решения задач регрессии и классификации благодаря своей способности обрабатывать большие объемы данных с высокой точностью и устойчивостью к переобучению.

В контексте рекомендательных систем, случайный лес может использоваться для прогнозирования интересов пользователя, базируясь на его профиле и истории взаимодействий

Помимо используемого в работе метода случайного леса в современной научной литературе также рассматриваются альтернативные методы прогнозирования предпочтений пользователей на основе популяционных алгоритмов

Для прогнозирования коэффициента предпочтения города была использована модель случайного леса, реализованная в библиотеке scikit-learn (класс RandomForestRegressor). Модель была обучена на подготовленных данных признаков и целевой переменной. Для каждого пассажира были сформированы входные данные (input_data), соответствующие его характеристикам и закодированным городам, и выполнен прогноз с помощью обученной модели (RandomForestRegressor.predict(...)).

Гибридная модель объединяет результаты коллаборативной фильтрации, графовых моделей и машинного обучения для формирования финальных рекомендаций, используя модель линейной регрессии из библиотеки scikit-learn (класс LinearRegression). Модель была обучена на наборе данных, где входными признаками (X_train) выступали оценки, полученные методами и алгоритмами PageRank, коллаборативной фильтрации (SVD) и случайного леса, а целевой переменной (y_train) — финальный коэффициент предпочтения. После обучения модель использовалась для прогнозирования итогового коэффициента (predicted_coeff), комбинируя оценки от различных моделей.

После прогнозирования предпочтений результаты сохраняются в базу данных для последующего использования в API рекомендаций.

После того как все данные обработаны, и рекомендации добавлены в базу данных, следующим шагом является создание API для предоставления этих рекомендаций пользователям через мобильное приложение.

Данное приложение представляет собой удобный и простой в использовании инструмент для покупки или бронирования авиабилетов на определенные рейсы. Пользователи могут просматривать подробную информацию о рейсах, включая дату и время вылета и прилета, количество свободных мест, цену, тип самолета и многое другое. Приложение позволяет легко и быстро оформить бронирование или покупку билетов прямо с мобильного устройства, предоставляя также возможность повторного использования данных пассажиров, изменения информации о пассажире или покупателе, выкупа или снятия брони, а также возврата билетов.

Для реализации API используется контроллер в ASP.NET MVC, который обращается к базе данных, где хранятся рекомендации, и возвращает список городов, отсортированных по убыванию коэффициента (листинг представлен ниже).

1// GET: Cities/Recommendations
2[HttpGet]
3public ActionResult Recommendations(int id_passenger, int n = 3)
4{
5    var recommendations = db.Recomendation
6                 .Where(r => r.id_passenger == id_passenger)
7                 .OrderByDescending(r => r.coeff)
8                 .Take(n)
9                 .Select(r => r.City.name_city)
10                 .ToList();
11 
12    if (recommendations.Count == 0)
13    {
14        // Список городов по умолчанию, если рекомендации не найдены
15        recommendations = new List<string> { "Москва", "Пенза", "Санкт-Петербург" };
16    }
17 
18    return Json(recommendations, JsonRequestBehavior.AllowGet);
19}

Мобильное приложение взаимодействует с API, отправляя запросы на получение рекомендаций для конкретного пользователя.

Пример кода реализации запроса рекомендаций в мобильном приложении представлен ниже.

1public static async Task<List<string>> GetRecommendationsAsync(int id_passenger, int n)
2{
3    // Получение jwt-токена
4    var token = await SecureStorage.GetAsync("jwt_token");
5    Client.DefaultRequestHeaders.Authorization = new AuthenticationHeaderValue("Bearer", token);
6 
7    // Отправка GET-запроса и обработка ответа
8    var response = await Client.GetAsync(url + $"Cities/Recommendations?id_passenger={id_passenger}&n={n}");
9    if (response.IsSuccessStatusCode)
10    {
11        string responseText = await response.Content.ReadAsStringAsync();
12        List<string> recommendations = JsonConvert.DeserializeObject<List<string>>(responseText);
13        return recommendations;
14    }
15    else
16    {
17        return new List<string>();
18    }
19}

В контексте аппаратной реализации рекомендательной системы и API, представляющим собой связующее звено между серверной частью и мобильным приложением, стоит отметить возможность использования встраиваемых решений

Было проведено тестирование разработанной рекомендательной системы. Примеры вывода рекомендованных авианаправлений из мобильного приложения представлены на рисунках 4 и 5. В первом случае пассажир периодически летает в Сочи и Пензу, поэтому ему предлагают данные направления. Но также он бывал несколько раз в Нижнем Новгороде. А так как помимо этого в его профиле указано, что он имеет высокую оценку предпочтения исторических мест, то ему также предлагается посетить Ереван, в котором он ни разу не был.

Рисунок 4 - Пример вывода рекомендованных авианаправлений для пассажира 1

DOI:10.60797/IRJ.2025.156.41.4

Во втором случае пассажир очень часто летает в Казань и Афины через Москву. В других городах он ни разу не был, а интересы не выставлены в его профиле. Поэтому рекомендательная система предлагает ему только эти 3 города.

Рисунок 5 - Пример вывода рекомендованных авианаправлений для пассажира 2

DOI:10.60797/IRJ.2025.156.41.5

Таким образом, были подробно рассмотрены алгоритмы и модели, заложенные в основу рекомендательной системы. Коллаборативная фильтрация, графовые модели и машинное обучение в сочетании с гибридной моделью обеспечивают персонализированный и точный подбор рекомендаций для пользователей. Финальное API позволяет интегрировать рекомендации в мобильное приложение, обеспечивая быстрый доступ к релевантным направлениям.

Были рассмотрены актуальные вопросы разработки и использования рекомендательных систем в сфере пассажирских авиаперевозок.

Научной новизной проведенного исследования является предложенный оригинальный гибридный подход, сочетающий в себе применение коллаборативной фильтрации, графовых моделей и методов машинного обучения. Предложенный подход отличается от известных решений тем, что позволяет повысить точность прогнозов и релевантность предложений.

Практическая значимость проведенного исследования заключается в том, что на основе предложенного оригинального подхода была разработана и реализована гибридная рекомендательная система для авиапассажиров, а также выполнено тестирование разработанной рекомендательной системы, которое показало корректность работы и эффективность ее применения. На программное обеспечение разработанной рекомендательной системы получено Свидетельство о государственной регистрации программы для ЭВМ

Были описаны этапы разработки предложенной рекомендательной системы, описана разработка и реализация программного интерфейса (API) для интеграции предложенной рекомендательной системы с разработанным мобильным приложением для покупки и бронирования авиабилетов в составе комплексной автоматизированной системы обслуживания авиапассажиров.

Хотя текущая реализация рекомендательной системы уже дает хорошие результаты, есть несколько направлений для дальнейшего ее улучшения и развития.

1. Тестирование и оценка качества на реальных данных. Проведение тестирования и оценки качества рекомендательной системы на реальных данных для определения релевантности рекомендаций.

2. Улучшение точности рекомендаций. Использование глубокого обучения: рекуррентных нейронных сетей (RNN) и сверточных нейронных сетей (CNN) для более точного прогнозирования предпочтений.

3. Расширение функциональности и интеграция с другими сервисами. Добавление рекомендаций не только направлений, но и событий в выбранных городах, например, концертов, фестивалей или спортивных мероприятий. Формирование пакетных туров, включающих билеты, проживание, экскурсии и другие услуги.

4. Персонализация интерфейса. Адаптация интерфейса под предпочтения пользователя, отображение наиболее релевантной информации.

5. Интерактивные опросы. Проведение опросов и сбор обратной связи от пользователей для улучшения качества рекомендаций.

6. Оптимизация производительности. Использование технологий параллельной обработки данных для ускорения обучения моделей.