Бидний тухай
Багш ажилтан
Background: As government e-services expand, the need to offer personalized services to each citizen is becoming increasingly important. However, government systems face limitations in utilizing user and service-specific features for model training, as training data is typically restricted to historical service usage records. This constraint poses a significant challenge in delivering practical, personalized recommendations. Objective: This study aims to demonstrate the feasibility of detecting latent collaborative filtering signals in government e-service usage data using a GNN-based approach, and to evaluate how effective graph neural network-based recommendation methods are at identifying these signals using only historical interaction records. Methods: Accordingly, we explore the application of LightGCN to model user-service interactions based solely on historical behavioral data. In this study, we constructed a bipartite graph from real-world usage data and trained a model to uncover latent patterns in user preferences. Results: Through hyperparameter tuning, our experiments achieved the following performance metrics: Recall@20 = 0.175, Precision@20 = 0.068, and NDCG@20 = 0.155. Conclusion: These results support our hypothesis, demonstrating that the graph neural network-based model can capture latent collaborative signals even under sparse data conditions. Consequently, LightGCN presents a promising approach for generating personalized recommendations in the context of government e-services.
Графт түшиглэсэн санал болгох системийн судалгаа эрчимжиж бараа бүтээгдэхүүн, сурталчилгаа, эсвэл кино, хөгжим зэрэг зүйлсийг санал болгоход ихэвчлэн нэвтрүүлж байна. Харин төрийн цахим үйлчилгээний санал болгох системийн судалгаа цөөн. Энэ ажлаар Монгол Улсын төрийн цахим үйлчилгээний портал E-Mongolia системийн өгөгдлөөс мэдлэгийн граф байгуулан, мэдлэгийн графт анхааралтай сүлжээ загвар хөгжүүлэн, олон төрлийн өгөгдлөөр мэдлэгийн графаар баяжуулан туршиж үнэлсэн. Туршилтын үр дүнд мэдлэгийн графыг үйлчилгээнд чухал нөлөөлөх агуулгаар баяжуулахад таамаглах хувийг нэмэгдүүлж байгааг олж илрүүллээ. Нийтдээ 50,000 хэрэглэгчийн үйлчилгээ авсан түүхийг ашиглан сургасан тус загварын recall@20, ndcg@20 үнэлгээ нь тус тус 0.3535, 0.3091 утгатай гарсан болно.
