ГЛИБОКЕ ПІДКРІПЛЕНЕ НАВЧАННЯ ДЛЯ АДАПТИВНОГО НАЛАШТУВАННЯ ВЕБІНТЕРФЕЙСУ КОРИСТУВАЧА В РЕАЛЬНОМУ ЧАСІ

Анотація

Мета. Метою роботи є розробка адаптивного дизайну вебінтерфейсів з використанням методів машинного навчання з підкріпленням. Методологія. Методологія дослідження базувалася на застосуванні глибокого навчання з підкріпленням для адаптивного налаштування вебінтерфейсу в реальному часі. Взаємодія користувача з інтерфейсом моделювалась як процес ухвалення рішень. Застосовувалася технологія процесу ухвалення рішень Маркова (MDP), де політика визначає зміни елементів інтерфейсу на основі функції винагороди, що інтегрує метрики залучення користувача (швидкість проклікування, час бездіяльності) та відповідність стандартам доступності WCAG. Для визначення ефективних патернів взаємодії використовували оцінювачі максимальної правдоподібності та градієнтна оптимізація. Аналіз часових залежностей інтеракцій здійснювався за допомогою модулів LSTA та LSTM, які фокусуються на короткострокових і довгострокових преференціях користувачів, використовуючи згорткові шари та механізм уваги для екстракції релевантних функцій. Результати. Щоб проаналізувати шаблони поведінки користувачів, включно зі шляхами навігації, методами введення даних і параметрами налаштування, структура використовує оцінки максимальної ймовірності та оптимізацію на основі градієнта. Цей процес моделює налаштування користувача та взаємодію для ефективної оптимізації налаштувань інтерфейсу користувача. Крім того, архітектура інтегрує модуль довготривалої короткочасної пам’яті (LSTM) для захоплення тимчасових залежностей у взаємодії користувача. Обробляючи дані через згорткові шари стробування, мережа дізнається як миттєві, так і розширені налаштування користувача. Тимчасова агрегація додатково вдосконалюється за допомогою адаптивних згорткових ядер і механізмів уваги, які визначають пріоритетність критичних областей інтерфейсу на основі взаємодії користувача. Адаптивність системи покращується завдяки включенню нечіткої логіки в механізми стробування, де нечіткі правила моделюють складні залежності між факторами, що впливають на взаємодію користувача. Ця інтеграція полегшує ухвалення надійних рішень за різних умов, забезпечуючи стабільність і запобігаючи переобладнанню. Модуль LSTM використовує згорткові операції над об’єднаними комірками та прихованими станами для виокремлення життєво важливих функцій, вирішення проблеми зникнення градієнта та покращення збереження пам’яті. Дії, згенеровані моделлю, динамічно оновлюють елементи інтерфейсу користувача, сприяючи бездоганній та персоналізованій взаємодії з користувачем. Реалізація бекенду, побудована на FastAPI, обробляє дані взаємодії користувача в режимі реального часу, обчислює винагороди та передбачає дії для оптимізації налаштувань інтерфейсу користувача. Сервер використовує моделі на основі TensorFlow для аналізу користувацьких показників і даних про доступність, надаючи корисну інформацію для налаштування інтерфейсу. Архітектура забезпечує ефективний зв’язок між бекендом й інтерфейсом, даючи змогу модифікувати інтерфейс користувача в реальному часі. Наукова новизна статті полягає в розробленні адаптивної моделі вебінтерфейсу, що використовує глибоке навчання з підкріпленням для персоналізації взаємодії з користувачем у реальному часі, враховуючи часові залежності та метрики доступності. Практична значущість визначається можливістю застосування запропонованого підходу для підвищення залучення користувачів і забезпечення інклюзивності вебресурсів, що актуально для різних галузей, включно з електронною комерцією та освітніми платформами.