Computational nanotechnologyComputational nanotechnologyComputational nanotechnology2313-223X2587-9693YUR-VAK30969910.33693/2313-223X-2025-12-1-48-58MHMMOEINFORMATION TECHNOLOGY AND TELECOMMUNICATIONИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ И ТЕЛЕКОММУНИКАЦИИResearch ArticleAlgorithm of a Culturally Sensitive Recommender System to Solve Cold Start ProblemsАлгоритм рекомендательной системы с учетом культурных факторов для решения проблем холодного стартаhttps://orcid.org/0000-0001-5164-3135571937153986563-5403SukhorukovAlexander I.СухоруковАлександр Ильич
Russian Federation

Dr. Sci. (Eng.); Professor of the Basic Department of Project and Program Management of Capital Group

доктор технических наук; профессор базовой кафедры управления проектами и программами «Капитал Груп»

Sukhorukov.AI@rea.ru3159-2912StarostinAnatoly S.СтаростинАнатолий Сергеевич
Russian Federation

Cand. Sci. (Eng.), Associate Professor, Acting Head of the Department of Applied Informatics

кандидат технических наук, доцент, исполняющий обязанности заведующего кафедры прикладной информатики

as.starostin@customs-academy.ruhttps://orcid.org/0000-0003-1918-1967585654701006369-3593MedvedevAlexander V.МедведевАлександр Валерьевич
Russian Federation

Cand. Sci. (Econ.), Associate Professor of the Department of Informatics and Computer Science of Food Production

кандидат экономических наук, доцент кафедры информатики и вычислительной техники пищевых производств

medvedevav@mgupp.ruhttps://orcid.org/0000-0001-7577-1721572205450691324-8476BelovaNadezhda N.БеловаНадежда Николаевна
Russian Federation

Cand. Sci. (Eng.), Associate Professor of the Department of Informatics and Computer Science of Food Production

кандидат технических наук, доцент кафедры информатики и вычислительной техники пищевых производств

bnn.belova@yandex.ruLemdyasovaEkaterina A.ЛемдясоваЕкатерина Алексеевна
Russian Federation
lemdyasova@yandex.ruPlekhanov Russian University of EconomicsРоссийский экономический университет имени Г.В. ПлехановаRussian Customs AcademyРоссийская таможенная академияRussian Biotechnological UniversityРоссийский биотехнологический университет19062025121485818092025Copyright ©; 2025, Yur-VAKCopyright ©; 2025, Юр-ВАК2025Yur-VAKЮр-ВАКhttps://www.urvak.ru/contacts/https://journals.rcsi.science/2313-223X/article/view/309699

A fundamental problem faced by modern recommendation systems is the cold-start phenomenon, which is the inability to generate personalized recommendations when historical data on user preferences is scarce. Traditional methods of solving this problem involve collecting information through questionnaires or involving data from third-party sources, which may lead to compromising user privacy. In this paper, we propose an algorithm based on Hofstede’s cultural measurement theory to generate recommendations without the need to obtain personal data directly. The algorithm establishes links between users by analyzing their cultural characteristics, which helps to improve the accuracy of preference prediction. To further improve the results, a matrix factorization method is applied to identify hidden patterns in user preferences even in the absence of explicit system interaction data. The effectiveness of the approach proposed by the authors has been confirmed during experiments on the WS-Dream dataset. The results demonstrate that taking cultural factors into account can significantly improve the quality of recommendations, especially in cold-start environments. The integration of the matrix factorization method facilitates more accurate modeling of latent factors affecting user choice and allows recommendations to be adjusted according to the identified patterns. Incorporating cultural characteristics into the recommendation process outperforms conservative methods based solely on behavioral data and provides a more personalized approach to new users.

Фундаментальной проблемой, с которой сталкиваются современные рекомендательные системы, является феномен холодного старта, заключающийся в невозможности формирования персонализированных рекомендаций в условиях дефицита исторических данных о пользовательских предпочтениях. Традиционные методы решения данной проблемы предполагают сбор информации посредством анкетирования или привлечение данных от сторонних источников, что может приводить к компрометации конфиденциальности пользователей. В данной статье предложен алгоритм, основанный на теории культурных измерений Хофстеде, который позволяет формировать рекомендации без необходимости получения персональных данных напрямую. Алгоритм устанавливает связи между пользователями, анализируя их культурные характеристики, что способствует повышению точности прогнозирования предпочтений. Для дополнительного улучшения результатов применяется метод матричной факторизации, позволяющий выявлять скрытые закономерности в пользовательских предпочтениях даже при отсутствии явных данных о взаимодействии с системой. Эффективность предложенного авторами подхода была подтверждена в ходе экспериментов на наборе данных WS-Dream. Полученные результаты демонстрируют, что учет культурных факторов позволяет значительно повысить качество рекомендаций, особенно в условиях холодного старта. Интеграция метода матричной факторизации способствует более точному моделированию латентных факторов, влияющих на пользовательский выбор, и позволяет корректировать рекомендации в соответствии с выявленными закономерностями. Включение культурных характеристик в процесс рекомендаций превосходят консервативные методы, основанные исключительно на поведенческих данных, и обеспечивают более персонализированный подход к новым пользователям.

cold startcultural distancematrix decompositionrecommendation systemхолодный старткультурная дистанцияматричная декомпозициярекомендательная системаBrusilovsky P. Access to social information: the other side of the social web. In: International Conference on Current Trends in Theory and Practice of Computer Science. Springer, 2008. Pp. 5–22.Брусиловский П. Доступ к социальной информации: другая сторона социальной паутины // Междунар. конф. по современным тенденциям в теории и практике компьютерных наук. Springer, 2008. С. 5–22.Bezuglova N.P. Girt Hofstede’s model of four parameters of culture. Bulletin of Moscow State University of Culture and Arts. 2008. No. 5. Pp. 29–32. (In Rus.)Безуглова Н.П. Модель четырех параметров культуры Гирта Хофстеда // Вестник Московского государственного университета культуры и искусств. 2008. № 5. С. 29–32.Adomavicius G., Tuzhilin A. Toward the next generation of recommender systems: An overview of the state of the art and possible extensions. In: IEEE Transactions on Knowledge and Data Engineering 17.6. 2005. Pp. 734–749.Адомавичус Г., Тужилин А. На пути к следующему поколению рекомендательных систем: обзор современного состояния и возможных расширений // IEEE Transactions on Knowledge and Data Engineering 17.6. 2005. С. 73–749.Vorontsov K., Potapenko A. Tutorial on probabilistic topic modeling: Additive regularization for stochastic matrix factorization. In: International Conference on Image, Social Network and Text Analysis x000D. Springer, 2014. Pp. 29–46.Воронцов K., Потапенко А. Учебное пособие по вероятностному тематическому моделированию: Аддитивная регуляризация для стохастической матричной факторизации // Междунар. конф. по анализу изображений, социальных сетей и текстов x000D, Springer, 2014. С. 29–46.Obolensky D.M., Shevchenko V.I. Review of modern methods of building recommendation systems – content-based and hybrid systems. In: Collection of articles of the All-Russian scientific and technical conference of students, graduate students and young scientists “The World of Computer Technologies” (Sevastopol, April 5–9, 2021). Sevastopol: Sevastopol State University, 2021. Pp. 151–156.Оболенский Д.М., Шевченко В.И. Обзор современных методов построения рекомендательных систем – на основе контента и гибридные системы // Сборник статей Всерос. науч.-техн. конф. студентов, аспирантов и молодых ученых «Мир компьютерных технологий» (Севастополь 5–9 апреля 2021 г.). Севастополь: Севастопольский гос. ун-т, 2021. С. 151–156.Medvedev A.V., Medvedev A.A. Forecasting financial markets using advanced machine learning algorithms. In: E3S Web of Conferences. 2023. No. 403. Art. 08007.Medvedev A.V., Medvedev A.A. Forecasting financial markets using advanced machine learning algorithms // E3S Web of Conferences. 2023. No. 403. Art. 08007.Medvedev A.V., Medvedev A.A. Development of a mathematical model for planning team readiness for IT solution implementation projects. In: E3S Web of Conferences. 2023. No. 403. Art. 01030.Medvedev A.V., Medvedev A.A. Development of a mathematical model for planning team readiness for IT solution implementation projects // E3S Web of Conferences. 2023. No. 403. Art. 01030.Medvedev A.V., Medvedev A.A., Shuchkov M.D. Concept of food management using RFID technology: Minimizing losses and increasing consumer awareness. Computational Nanotechnology. 2024. Vol. 11. No. 1. Pp. 85–93. (In Rus.). DOI: 10.33693/2313-223X-2024-11-1-85-93. EDN: DXHSQM.Медведев А.В., Медведев А.А., Шучков М.Д. Концепция управления пищевыми продуктами с применением технологии RFID: минимизация потерь и повышение осведомленности потребителей // Computational Nanotechnology. 2024. Т. 11. № 1. С. 85–93. DOI: 10.33693/2313-223X-2024-11-1-85-93. EDN: DXHSQM.Dimitrieva A.I., Popov A.P., Kovalenko A.V. et al. Toward the selection of machine learning model for detection of blood forming elements of farm animals. Bulletin of Chuvash State Agrarian University. 2023. No. 1 (24). Pp. 55–62. (In Rus.). DOI: 10.48612/vch/mma8-t4ta-89nt. EDN: NGHQGA.Димитриева А.И., Попов А.П., Коваленко А.В. и др. К выбору модели машинного обучения для детектирования форменных элементов крови сельскохозяйственных животных // Вестник Чувашского гос. аграрного ун-та. 2023. № 1 (24). С. 55–62. DOI: 10.48612/vch/mma8-t4ta-89nt. EDN: NGHQGA.Pyankova S.G., Ergunova O.T., Belova M.V. Neural networks as a qualitative shift in the development of technologies in the trends of the theory of noonomics. Ufa Humanitarian Scientific Forum. 2024. No. 2 (18). Pp. 126–143. (In Rus.). DOI: 10.47309/2713-2358-2024-2-126-143. EDN: WYCBDX.Пьянкова С.Г., Ергунова О.Т., Белова М.В. Нейросети как качественный сдвиг в развитии технологий в трендах теории ноономики // Уфимский гуманитарный научный форум. 2024. № 2 (18). С. 126–143. DOI: 10.47309/2713-2358-2024-2-126-143. EDN: WYCBDX.Medvedev A.V., Medvedev A.A., Kireychenkov N.S. Implementation of RPA bots in cold supply chain logistics. Computational Nanotechnology. 2024. Vol. 11. No. 2. Pp. 35–42. (In Rus.). DOI: 10.33693/2313-223X-2024-11-2-35-42. EDN: MMOQKQ.Медведев А.В., Медведев А.А., Кирейченков Н.С. Внедрение ботов RPA в логистику холодовой цепочки поставок // Computational Nanotechnology. 2024. Т. 11. № 2. С. 35–42. DOI: 10.33693/2313-223X-2024-11-2-35-42. EDN: MMOQKQ.Artemyev V.S., Mokrova N.V. Method of the first approximation of the stability analysis of the electrical equipment control systems. Computational Nanotechnology. 2024. Vol. 11. No. 3. Pp. 52–56. (In Rus.). DOI 10.33693/2313-223X-2024-11-3-52-56. EDN: QGSYPS.Артемьев В.С., Мокрова Н.В. Метод первого приближения анализа устойчивости систем управления электрооборудованием // Computational Nanotechnology. 2024. Т. 11. № 3. С. 52–56. DOI 10.33693/2313-223X-2024-11-3-52-56. EDN: QGSYPS.Artemyev V.С., Maksimov A.S. Implementation of the Simoyu method for modeling transient processes of a control object. Computational Nanotechnology. 2024. Vol. 11. No. 3. Pp. 43–51. (In Rus.). DOI: 10.33693/2313-223X-2024-11-3-43-51. EDN: QGRTWW.Артемьев В.С., Максимов А.С. Реализация метода Симою для моделирования переходных процессов объекта управления // Computational Nanotechnology. 2024. Т. 11. № 3. С. 43–51. DOI: 10.33693/2313-223X-2024-11-3-43-51. EDN: QGRTWW.Mokrova N., Artemyev V., Hajiyev A. Design of reversible thyristor feed drive with proportional-integral controllers. Machine Science. 2024. Vol. 13. No. 2. Pp. 13–28. DOI: 10.61413/IYNU7656.Mokrova N., Artemyev V., Hajiyev A. Design of reversible thyristor feed drive with proportional-integral controllers // Machine Science. 2024. Vol. 13. No. 2. Pp. 13–28. DOI: 10.61413/IYNU7656.Tikhonov V.A., Belov V.V., Artemyev V.S. Analysis of basic models of transport flow. International Journal of Applied and Fundamental Research. 2017. No. 3-2. Pp. 175–177. (In Rus.)Тихонов В.А., Белов В.В., Артемьев В.С. Анализ базовых моделей транспортного потока // Международный журнал прикладных и фундаментальных исследований. 2017. № 3-2. С. 175–177.Ahmedov B., Artemyev V., Kaya H. Modelling of automatic control system on an electronic model. Machine Science. 2024. Vol. 13. No. 2. Pp. 65–76. DOI: 10.61413/RSGZ7710.Ahmedov B., Artemyev V., Kaya H. Modelling of automatic control system on an electronic model // Machine Science. 2024. Vol. 13. No. 2. Pp. 65–76. DOI: 10.61413/RSGZ7710.