Р Е З Ю М Е

Цель исследования – проанализировать рекомендательные системы в элек­тронной коммерции, обозначить проблемы прозрачности и доверия, обусловленные «черным ящи­ком» алгоритмов, и определить, каким образом объяснимость повышает удовлетворен­ность и уверенность пользователей.

Методология исследования – выполнен обзор современных методов Explainable Recommender Systems (XRS) и их применение к синтетическому набору данных электрон­ной коммерции с оценками «пользователь–товар» и атрибутами продукта (кате­гория, бренд, цена). Для демонстрации способов объяснения рекомендаций используются как внутренне интерпретируемые модели, так и post-hoc методы (например, механизмы внимания, генерация на основе LLM, анализ SHAP).

Практическая значимость исследования – результаты представляют ценность для практиков и исследователей электронной коммерции, показывая, как объяснимость повы­шает прозрачность, формирует доверие потребителей и укрепляет репутацию платформы. Также предложены ориентиры по интеграции XRS-подходов в реальные среды онлайн-розничной торговли.

Результаты исследования – показано, что формирование человеко-понятных обосно­­­ванных рекомендаций (например: «товар предложен, поскольку соответствует ва­шей предпочитаемой категории и имеет низкую цену») повышает доверие и удовлетворен­ность пользователей. Вместе с тем объяснимость связана с компромиссом по отношению к прогностической точности, которым необходимо тщательно управлять.

Оригинальность и научная новизна исследования – подчеркивается недоста­точно изученная роль объяснимости в рекомендательных системах электронной коммер­ции и на материале синтетических данных демонстрируется операционализация XRS-методов для достижения баланса между точностью и интерпретируемостью. Работа вно­сит оригинальный вклад в преодоление разрыва в прозрачности алгоритмов реко­мендаций.

Ключевые слова: объяснимые рекомендательные системы, электронная коммер­ция, прозрачность, пользовательское доверие, интерпретируемое машинное обучение, объяснимый искусственный интеллект, синтетический набор данных, SHAP.

http://doi.org/10.59610/bbu4.2025.4.11