В настоящей работе предложена система рекомендаций для выбора научного руководителя, основанная на архитектуре трансформеров и современных методах машинного обучения. Система анализирует академические данные студента, включая изученные дисциплины и оценки по ним, а также профессиональные характеристики преподавателей. Экспериментальные результаты демонстрируют значительное превосходство предложенного подхода над традиционными методами: при тестировании достигнута точность рекомендаций $0,3230$ против $0,1106$ (метод на основе частоты положительных оценок) и $0,1637$ (подход с использованием классификации через машинное обучение). Полученные результаты подтверждают эффективность системы в оптимизации процесса подбора научного руководителя, что способствует повышению качества научно-исследовательской деятельности студентов за счёт персонализированного сопоставления компетенций. С. 61-75.