В условиях стремительного роста объёмов грузоперевозок и усложнения логистических процессов особую актуальность приобретает внедрение интеллектуальных технологий, способных адаптироваться к быстро меняющимся требованиям рынка. Одним из таких решений является применение методов машинного обучения на графах для построения рекомендательных систем в логистике. Целью данной работы является исследование возможностей персонализированных графовых моделей, предназначенных для оптимизации логистических процессов за счёт более точного подбора маршрутов, перевозчиков и сопутствующих услуг с учётом индивидуальных предпочтений участников логистической цепочки.В работе исследуется применение графовых методов машинного обучения для построения рекомендательных систем в сфере транспортной логистики с учётом индивидуальных предпочтений пользователей. Предложен подход к персонализации графовых моделей на основе интеграции пользовательских характеристик и динамического пересчёта весов связей в графе. Разработанная модель позволяет оптимизировать логистические процессы, повышая релевантность рекомендаций по выбору маршрутов и перевозчиков. Эффективность предложенного метода подтверждена экспериментальными результатами на реальных данных: достигнуты значения Precision 88 %, Recall 81 % и NDCG 0,94. Представленные результаты демонстрируют преимущества разработанной системы по сравнению с традиционными методами логистического планирования в условиях динамически изменяющейся среды.
In the context of rapid growth in cargo transportation volumes and increasing complexity of logistics processes, the introduction of intelligent technologies capable of adapting to rapidly changing market requirements is becoming especially relevant. One such solution is the use of machine learning methods on graphs to build recommender systems in logistics. The purpose of this work is to study the capabilities of personalized graph models designed to optimize logistics processes through a more accurate selection of routes, carriers and related services, taking into account the individual preferences of participants in the logistics chain. The paper examines the use of graph machine learning methods to build recommender systems in the field of transport logistics, taking into account the individual preferences of users. An approach to the personalization of graph models is proposed based on the integration of user characteristics and dynamic recalculation of link weights in the graph. The developed model allows optimizing logistics processes, increasing the relevance of recommendations for the selection of routes and carriers. The effectiveness of the proposed method is confirmed by experimental results on real data: the values of Precision 88%, Recall 81% and NDCG 0.94 were achieved. The presented results demonstrate the advantages of the developed system compared to traditional methods of logistic planning in a dynamically changing environment.
1. Иванова Л.Н., Иванов С.Е. Методы оптимизации и алгоритм маршрутизации в транспортной логистике // Экономика. Право. Инновации. 2024. № 4. С. 21–29. DOI: 10.17586/2713-1874-2024-4-21-29.
2. Архипов А.Е., Ряписов А.Е. Трансформация транспортной отрасли России под влиянием цифровых технологий // Экономика и бизнес: теория и практика. 2020. № 4-1 (62). С. 22–24. URL: https://www.elibrary.ru/najewk (дата обращения: 21.03.2025). EDN: NAJEWK.
3. Wu Z., Pan S., Chen F., Long G., Zhang C., Yu P.S.A Comprehensive Survey on Graph Neural Networks // IEEE Transactions on Neural Networks and Learning Systems. 2019. Vol. 32. Is. 1. Р. 4–24 DOI: 10.1109/tnnls.2020.2978386.
4. Jie Zhou, Ganqu Cui, Shengding Hu, Zhengyan Zhang, Cheng Yang, Zhiyuan Liu, Lifeng Wang, Changcheng Li, Maosong Sun Graph neural networks: A review of methods and applications // AI Open. 2020. Vol. 1. P. 57–81. DOI: 10.48550/arXiv.1812.08434.
5. Есин М.С., Корепанова А.А., Сабреков А.А. Современные проблемы управления логистикой: оптимизации ресурсов при транспортировке грузов // Научные труды Северо-Западного института управления РАНХиГС. 2023. Т. 14. № 3 (60). С. 49-57. URL: https://spb.ranepa.ru/wp-content/uploads/2024/01/n-trud_2023_t14_v3.pdf (дата обращения: 21.03.2025).
6. Меньшикова Н.В., Портнов И.В., Николаев И.Е. Обзор рекомендательных систем и возможности учета контекста при формировании индивидуальных рекомендаций // Academy. 2016. № 6 (9). С. 20-22. URL: https://cyberleninka.ru/article/n/obzor-rekomendatelnyh-sistem-i-vozmozhnostey-ucheta-konteksta-pri-formirovanii-individualnyh-rekomendatsiy (дата обращения: 21.03.2025).
7. Ерохина Е.В., Соцкова Е.А. Перспективы развития логистики и транспорта в процессе цифровизации// StudNet. 2022. №6 С. 6713-6722. URL: https://cyberleninka.ru/article/n/perspektivy-razvitiya-logistiki-i-transporta-v-protsesse-tsifrovizatsii (дата обращения: 21.03.2025).
8. Константинова Е.В. Теория графов: алгебраическая теория: учебник для вузов. М.: Юрайт, 2025. 123 с. ISBN 978-5-534-20172-7. URL: https://urait.ru/bcode/569211 (дата обращения: 21.03.2025).
9. Мальцев И.А. Дискретная математика: учебное пособие для вузов. 3-е изд., стер. СПб.: Лань, 2021. 292 с. ISBN 978-5-8114-8615-1. URL: https://e.lanbook.com/book/179040 (дата обращения: 21.03.2025).
10. Ураков А.Р., Тимеряев Т.В. Алгоритм решения динамической задачи поиска кратчайших расстояний в графе // Управление большими системами. 2017. № 65. С. 60–86. URL: https://www.mathnet.ru/rus/ubs905 (дата обращения: 21.03.2025).
11. Гладков Л.А., Гладкова Н.В., Курейчик В.В., Курейчик В.М. Специальные разделы теории графов: учеб. пособие. Ростов-на-Дону; Таганрог: Издательство Южного федерального университета, 2018. 111 с. ISBN 978-5-9275-2779-3. URL: https://znanium.ru/catalog/product/1039679 (дата обращения: 16.04.2025).
12. Плотникова Е.Г., Левко С.В., Логинова В.В., Хакимова Г.М. Математический анализ и дискретная математика: учебное пособие для вузов / под общей редакцией Е.Г. Плотниковой. 2-е изд., перераб. и доп. М.: Юрайт, 2024. 300 с. (Высшее образование). ISBN 978-5-534-07545-8. URL: https://urait.ru/bcode/540066 (дата обращения: 16.04.2025).
13. Ferrante M., Ferro N., Fuhr N. Towards Meaningful Statements in IR Evaluation: Mapping Evaluation Measures to Interval Scales // IEEE Access. 2021. Vol. 9. P. 136182-136216. DOI: 10.1109/ACCESS.2021.3116857.
14. Kipf T.N., Welling M. Semi-Supervised Classification with Graph Convolutional Networks // Proceedings of the 5th International Conference on Learning Representations (ICLR 2017). Toulon. France. April 2017. URL: https://openreview.net/forum?id=SJU4ayYgl (дата обращения: 21.03.2025).
15. Гудфеллоу Я., Бенджио И., Курвилль А. Глубокое обучение / пер. с англ. М.: ДМК Пресс, 2018. 652 с. URL : https:// medialex.brsu.by/NLP-BOOK/%C2%AB%D0%93%D0%BB% D1% 83%D0%B1%D0%BE%D0%BA%D0%BE%D0%B5%20 %D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD% D0%B8%D0%B5%C2%BB,%20%D0%AF%D0%BD%20 %D0%93%D1%83%D0%B4%D1%84%D0%B5%D0%BB% D0%BB%D0%BE%D1%83.pdf (дата обращения: 21.03.2025)