注释,注释: Рост числа электронных устройств и их возможностей провоцирует развитие рекомендательных систем в целом и адаптивных интерфейсов в частности. Такие системы собирают информацию о пользовательском опыте и при помощи методов машинного обучения анализируют полученные данные. Растет не только количество устройств, но и пользователей, которые часто имеют различные нужды и требования. Особое внимание в данной статье уделяется интерфейсу USSD-сервисов. Целью работы является разработка подхода, позволяющего снизить среднее количество запросов, совершаемых пользователями, в процессе работы с текстовым меню. Для поиска подходящего решения были применены методы системного анализа, в результате была установлена, сильная зависимость между потребностями каждого пользователя и контексте, в которой он находится. Использование информации о контексте выполнения, позволило улучшить существующие методы и получить высокие результаты. В основе подхода лежит использование двух этапной кластеризации: кластеризация по интересам на первом этапе и по контекстам – на втором. Для тестирования были использованы данные, собранные в процессе взаимодействия пользователей с USSD-сервисом.

Abstract: The growth of a number of electronic devices and their capacities trigger the development of recommendation systems in general and adaptive interfaces in particular. Such systems collect information about user experience and analyze obtained data using the methods of machine-aided learning. Not ony the number of devices is growing, so is the number of users who often have different needs and demands. The author of the article pays special attention to the interface of USSD services. The purpose of the research is to develop an approach alllowing to decrease the average number of demands made by users while working with the text menu. To find a relevant solution, the author applied the methods of systems analysis and discovered a strong dependence between needs of each user and his/her context. Using the information about the execution context allowed to improve the existing methods and obtain better results. The author's approach is based on the two-stage clusterization: interface clusterization at the first stage and context clusterization at the second stage. To carry out testing the author used data collected during interaction with the users of USSD-services.