Использование нейросетевых технологий для оптимизации пользовательского опыта в мобильных приложениях
Журнал: Инфокоммуникационные технологии @ikt-psuti
Рубрика: Управление и подготовка кадров для отрасли телекоммуникаций
Статья в выпуске: 1 (93) т.24, 2026 года.
Бесплатный доступ
В работе приведен анализ отечественных и зарубежных источников, подтверждающий потенциал нейросетевых технологий для решения задач оптимизации пользовательского опыта в мобильных приложениях. Предлагается комплексный подход, включающий выбор оптимального сочетания различных архитектур нейронных сетей, формулировку задачи в терминах оптимизации, а также выбор адекватных функций потерь для оптимизации различных аспектов пользовательского опыта. В результате проведенного исследования разработана математическая модель гибридной архитектуры (Transformer и LSTM), сочетающая рекуррентную часть (LSTM) для учёта временной структуры и механизм внимания (Transformer-encoder) для детального анализа контекстных признаков. Для оценки эффективности предлагаемой гибридной модели приведены результаты сравнения с альтернативными моделями, которые показали оптимальные значения по выбранным показателям. Реализованная модель интегрирована в мобильное приложение: результаты A/B-тестирования подтвердили значительную оптимизацию основных метрик пользовательского опыта.
Короткий адрес: https://sciup.org/140316420
IDS: 140316420 | УДК: 004.8 | DOI: 10.18469/ikt.2026.24.1.11
Using neural network technologies to optimize mobile app user experience
This paper analyzes domestic and international sources confirming the potential of neural network technologies for solving user experience optimization problems in mobile applications. A comprehensive approach is proposed, including selecting the optimal combination of various neural network architectures, formulating the problem in terms of optimization, and selecting adequate loss functions to optimize various aspects of the user experience. As a result of the research, a mathematical model of a hybrid architecture (Transformer and LSTM) was developed, combining a recurrent part (LSTM) to account for the temporal structure and an attention mechanism (Transformer-encoder) for a detailed analysis of contextual features. To evaluate the effectiveness of the proposed hybrid model, the results of a comparison with alternative models are presented, which showed optimal values for the selected metrics. The implemented model has been integrated into the mobile application: the results of A/B testing confirmed significant optimization of the main user experience metrics.
