Гібридна рекомендаційна система для формування збалансованих команд у багатокористувацьких онлайн-середовищах
DOI: 10.31673/2412-9070.2026.318106
Анотація
Стрімкий розвиток кіберспортивних середовищ та багатокористувацьких онлайн-платформ суттєво підвищує потребу у персоналізованих системах, здатних автоматично формувати збалансовані команди. Традиційні рекомендаційні підходи, що спираються на однокритеріальну оптимізацію, часто не здатні врахувати складну взаємодію між індивідуальними характеристиками користувачів, їхніми рольовими вподобаннями та параметрами ігрової техніки. Крім того, існуючі рішення здебільшого не мають механізмів для керування розподіленим доступом до спільних цифрових ресурсів (наприклад, колективних ігрових акаунтів), що неминуче призводить до колізій доступу та зниження загальної ефективності команди. Для вирішення цих проблем запропоновано гібридну рекомендаційну систему, яка поєднує контентний аналіз, колаборативну фільтрацію та методи метаевристичної оптимізації. Розроблену логічну модель інтегровано в мікросервісну архітектуру на базі Java та Spring Boot, призначену для управління кланом у грі War Thunder. Ядром системи є математична модель, що базується на задачі про призначення (Assignment Problem), доповненій жорсткими обмеженнями взаємного виключення (Mutex). Це гарантує запобігання дублюванню гравців та повністю усуває конфлікти паралельного доступу до спільних облікових записів. Оптимізація складу команди здійснюється шляхом максимізації гібридної цільової функції за допомогою багатокритеріального алгоритму рою часток (MOPSO). Функція оцінює об'єктивний вектор (бойова ефективність техніки, командна синергія) та суб'єктивний вектор (індивідуальні навички гравців, їхні рольові преференції). Симуляційне моделювання на тестовому наборі даних із 30 гравців, 100 акаунтів та визначе-них квот на ролі довело значну перевагу запропонованого підходу. Порівняно з жадібним алгоритмом (Greedy Search), який потрапив у локальний екстремум на рівні 62% ефективності, гібридна модель на базі MOPSO досягла стабільного Парето-оптимального фронту з ефективністю 89% вже за 45 ітерацій. Імплементація Mutex-обмежень повністю усунула колізії доступу до ресурсів, тоді як багатокритеріальний аналіз забезпечив на 34% вищу відповідність між гравцями та їхніми улюбленими ролями. Зважаючи на час виконання алгоритму, який склав 140 мс, розроблена система підтверджує свою масштабованість та високу придатність для координації команд у режимі реального часу.
Ключові слова: рекомендаційні системи, гібридні моделі, машинне навчання, формування команд, персоналізація, багатокритеріальна оптимізація, контентний аналіз, колаборативна фільтрація.
