Понимание пользовательских предпочтений играет важную роль в персонализированных сервисах и интеллектуальных системах. Достигается это понимание путем организации обратной связи в разных формах, наиболее предпочтительной из которых является форма естественного языка. Но в этом случае необходимо точное определение ключевых признаков пользовательской обратной связи и динамическая оптимизация значимости (весов) этих признаков для повышения точности принятия решений системой. Сегодня существуют значительные ограничения у традиционных методов в области извлечения ключевых признаков обратной связи из текстов на естественном языке и адаптивности распределения весов. В данной работе рассматривается новый метод извлечения ключевых признаков пользовательской обратной связи и распределения их весов на основе предварительного многоитерационного взаимодействия пользователя и системы ИИ. Данный метод интегрирует четыре основных модуля: извлечения признаков на основе модели YAKE, персонализированного моделирования весов с помощью модели TF-IDF, семантического слияния векторных представлений с классификацией признаков и динамического распределения весов по ключевым признакам. Таким образом создается механизм прямого отображения пользовательской обратной связи на совокупность весов признаков, участвующих в построении модели для принятия решений в системах ИИ. Новизна метода заключается в разработке алгоритма извлечения ключевых слов YAKE с улучшенной семантической и признаковой плотностью; алгоритма расчета весов TF-IDF с интеграцией исторических пользовательских предпочтений и персонализацией весов; механизма классификации признаков на основе семантического сходства; оптимизации процессов извлечения признаков и распределения весов по признакам. Для тестирования метода использовалась система прогнозирования эмоционального состояния с непрерывным сбором данных от 16 пользователей в течение 30 дней. Результаты показали, что предложенный метод достигает точности прогнозирования эмоций 78,4 %, что на 23 % выше базовых методов. Отмечается значительное повышение удовлетворенности пользователей прогнозами системы и существенное сокращение времени достижения стабильного распределения весов признаков. С. 57--73.

Understanding user preferences plays a crucial role in personalized services and intelligent systems. This understanding is achieved through feedback mechanisms in various forms, with natural language being the most preferred format. However, this approach requires precise identification of key features from user feedback and dynamic optimization of feature weights to enhance system decision-making accuracy. Traditional methods face significant limitations in extracting key feedback features from natural language texts and adapting weight distribution effectively. This paper presents a novel method for extracting key features from user feedback and optimizing their weights through preliminary multi-iterative user-AI system interactions. The proposed method integrates four core modules: YAKE-based feature extraction, personalized weight modeling using TF-IDF, semantic fusion of vector representations with feature classification, and dynamic weight distribution for key features. This creates a direct mapping mechanism from user feedback to feature weight sets used in AI decision-making models. The method’s novelty lies in developing an enhanced YAKE keyword extraction algorithm with improved semantic and feature density; a TF-IDF weight calculation algorithm incorporating historical user preferences and personalized weighting; a feature classification mechanism based on semantic similarity; and optimized processes for feature extraction and weight distribution. The method was tested using an emotion prediction system with continuous data collection from 16 users over 30 days. Results demonstrate that the proposed method achieves 78.4 % emotion prediction accuracy, representing a 23 % improvement over baseline methods. Significant enhancements in user satisfaction with system predictions and substantial reduction in time to achieve stable feature weight distribution were observed.