Использование сочетания различных типов данных для рекомендации каналов

Коллаборационные платформы, такие как GitHub и Slack, являются важными инструментами в работе сотрудников IT компаний. Данные, которые они агрегируют, могут быть использованы для построения различных алгоритмов социо-технической поддержки пользователей, упрощающих процесс работы сотрудников компаний. Однако, распределенность этих данных по разным платформам приводит к тому, что их объединения является трудоёмким процессом, в связи с чем существующие алгоритмы социо-технической поддержки (такие как рекомендация каналов в мессенджерах) основываются лишь на данных, напрямую связанных с целью алгоритмов. В данной работе был собран датасет, содержащий в себе данные о взаимодействиях сотрудников компании JetBrains в каналах и репозиториях платформы Space, репозиториях GitHub, а также позиции пользователей в компании, полученные с помощью Space. На основе полученного датасета были построены несколько видов систем рекомендации каналов в Space, основанных на разных комбинациях модальностей. Лучшие из построенных моделей были объединены в одну мультимодальную систему рекомендации. Хотя оценка работы этой мультимодальной системы на исторических данных показала худшие метрики по сравнению с лучшим из унимодальных алгоритмов (матричная факторизация на каналах), пользователи Space оценили рекомендованные мультимодальной системой каналы значительно лучше, чем рекомендации матричной факторизации. По результатам работы был сделан вывод, что использование данных о структуре организации и технических репозиториях пользователей позволяет бороться с переобучением системы рекомендации, а также решает проблему холодного старта пользователей. Ключевые слова: алгоритмы социо-технической поддержки, система рекомендации каналов, мультимодальные данные.