Аналіз технологій рекомендацій персоналізованого контенту в Інтернеті.

Автор(и)

  • Олексій Сергійович Лопаков Національний університет "Одеська політехніка"
  • Лада Валеріївна Прокопович Національний університет "Одеська політехніка"
  • Денис Миколайович Солодкий Національний університет "Одеська політехніка"

DOI:

https://doi.org/10.15276/opu.1.65.2022.10

Ключові слова:

соціальні мережі, реклама, новинні «стрічки», алгоритми ранжування контенту, «інформаційні коридори»

Анотація

Впровадження нових технологій у соціально-інформаційний сектор Інтернету спричинено, у першу чергу, зростанням конкуренції за увагу користувачів. Щоб утримати увагу людини у своїй соціальній мережі необхідно постійно пропонувати лише цікавий, різноманітний контент, і для різних користувачів він має відрізнятися. Для вирішення цих практичних завдань розробляються технології рекомендацій персоналізованого контенту. Актуальність теми цієї статті зумовлена широким застосуванням в Інтернеті технологій рекомендацій персоналізованого контенту та появою публікацій (аналітичних матеріалів, статистики), в яких йдеться про недоліки цих технологій. Мета дослідження  аналіз сучасних технологій рекомендацій персоналізованого контенту з виявленням позитивних та негативних наслідків їх практичного застосування. В роботі проаналізовано алгоритми ранжування контенту, до яких вдаються різні соціальні мережі, відео-хостинги та інші медіа ресурси. Надано теоретичне обґрунтування ризиків, пов’язаних із створенням «інформаційних коридорів». В результаті дослідження встановлено, що ці технології здатні полегшити користувачам процес пошуку та споживання інформації через: рекомендації тільки цікавого контенту; персоналізації реклами, полегшення таргетінгу; зменшення кількості шкідливої інформації або травмуючого контенту. Разом з тим, ці технології призводять й до негативних наслідків: проблеми цензури; інформаційного обмеження, або «інформаційних коридорів»; вплив на концентрацію уваги та спосіб мислення. Наявність цих проблем не дозволяє назвати актуальні технічні досягенння у сфері, що доліджувалася, ультимативними. Втім, це стосується будь-яких технологій, які потребують не лише визнання їх користі, а й ретельного аналізу недоліків задля вчасного їх виправлення та встановлення принципів відповідального використання цих технологій.

Завантаження

Дані завантаження ще не доступні.

Посилання

Прокопович Л.В., Лопаков О.С., Солодкий Д.М. Шляхи підвищення захисту персональних даних користувачів соціальних мереж. The scientific heritage. 2021. № 65. С. 3237. DOI: 10.24412/9215-0365-2021-65-32-37.

Matthew Hudson. What is social media? Definition and examples of social media. 2020. URL: https://www.thebalancesmb.com/what-is-social-media-2890301. (дата звернення 10.01.2021).

Thomas Macaulay. Here’s how AI determines what you see on the Facebook News Feed. 2021. URL: https://thenextweb.com/news/heres-how-ai-determines-what-you-see-on-facebook-news. (дата звернення 10.12.2021).

Akos Lada, Meihong Wang, Tak Yan. How machine learning powers Facebook’s News Feed ranking algorithm. 2021. URL: https://engineering.fb.com/2021/01/26/ml-applications/news-feed-ranking/. (дата звернення 11.12.2021).

Josh Constine. How Facebook News Feed Works. 2016. URL: https://techcrunch.com/2016/09/06/ultimate-guide-to-the-news-feed/. (дата звернення 12.12.2019).

Paul Covington, Jay Adams, Emre Sargin. Deep Neural Networks for YouTube Recommendations. 2016. URL: https://research.google/pubs/pub45530.pdf. (дата звернення 12.01.2022).

Markets and Markets. AI in Social Media Market by Technology (Deep Learning & Machine Learning, and NLP), Application (Sales & Marketing, Customer Experience Management, and Predictive Risk Assessment), Component, Enterprise Size, End-User, and Region - Global Forecast to 2023. 2018. URL: https://www.marketsandmarkets.com/Market-Reports/ai-in-social-media-market-92119289.html. (дата звернення 12.01.2022).

Daily Dish. The Filter Bubble. 2010. URL: https://www.theatlantic.com/daily-dish/archive/2010/10/the-filter-bubble/181427/. (дата звернення 12.01.2022).

Adam Mosseri. Shedding More Light on How Instagram Works. 2021. URL: https://about.instagram.com/blog/announcements/shedding-more-light-on-how-instagram-works. (дата звернення 10.01.2022).

Simon Kemp. Digital 2022: global overview report. 2022. URL: https://datareportal.com/reports/digital-2022-global-overview-report. (дата звернення 12.02.2022).

Kevin Mcspadden. You Now Have a Shorter Attention Span Than a Goldfish. 2015. URL: https://time.com/3858309/attention-spans-goldfish/. (дата звернення 01.12.2019).

##submission.downloads##

Опубліковано

2022-03-26

Як цитувати

[1]
Lopakov, O., Prokopovich, L.V. і Solodkyi, D. 2022. Аналіз технологій рекомендацій персоналізованого контенту в Інтернеті. Праці Одеського політехнічного університету. 1(65) (Бер 2022), 83–89. DOI:https://doi.org/10.15276/opu.1.65.2022.10.

Номер

Розділ

Інформаційні технології. Автоматизація

Статті цього автора (авторів), які найбільше читають

1 2 > >>