Порівняльний аналіз алгоритмів рекомендацій у середовищі C#

Стаття присвячена порівняльному аналізу ефективності алгоритмів рекомендаційних систем в екосистемі .NET. Розглянуто проблему інформаційного перевантаження та важливість персоналізації. Описано реалізацію двох ключових підходів: класичної матричної факторизації (MF) з використанням фреймворку ML.NET та сучасної нейромережевої архітектури Neural Collaborative Filtering (NCF/NeuMF) на базі SciSharp Stack (TorchSharp). Для порівняння точності прогнозування та якості ранжування проведено серію експериментальних досліджень на загальнодоступних наборах даних MovieLens та Amazon Reviews. Проаналізовано метрики RMSE, MAE та NDCG@K. Результати демонструють, що на досліджених даних модель матричної факторизації стабільно перевершує нейромережевий підхід у точності, робастності до обсягу даних та швидкодії. Дослідження підтверджує висновки світових аналізів про те, що класичні, добре налаштовані моделі часто є ефективнішими за складніші нейромережеві архітектури