в статье представлен метод прогнозирования задач в неформальных группах (семьи, друзья, круги по интересам и т. д.) для систем совместного планирования, основанный на управляемом рекуррентном блоке. Управляемый рекуррентный блок выбран как более эффективный и устойчивый к переобучению вид нейронных сетей по сравнению с рекуррентными нейронными сетями и сетями долгой краткосрочной памяти для коротких последовательностей данных. Разработан алгоритм прогнозирования, который учитывает как индивидуальные поведенческие паттерны участников, так и коллективную динамику группы, что позволяет выявлять не только персонализированные, но и совместные задачи. Для оценки качества модели используется метрика F1-меры. Такой выбор обусловлен спецификой задачи: она сводится к бинарной классификации («задача возникла» или «задача не возникла») при выраженной несбалансированности классов: подавляющее большинство временных интервалов не содержат новых задач и положительные примеры встречаются крайне редко. F1-мера, являясь гармоническим средним между точностью и полнотой, обеспечивает сбалансированную оценку, одинаково учитывая как ложноположительные, так и ложноотрицательные предсказания, т.к. эти типы ошибок имеют практическое значение: пропустить реальную задачу так же нежелательно, как и сгенерировать ложное предсказание.

we studied task prediction for informal groups (families, friends, interest groups, etc.) in collaborative planning systems. We developed a method based on a gated recurrent unit (GRU), chosen as a more efficient and robust neural network for short sequences than standard recurrent neural networks or long short-term memory networks. We implemented a prediction algorithm that considers both individual behavioral patterns and the collective dynamics of the group, enabling the identification of personalized and collaborative tasks. We evaluated the model using the F1-score, which is appropriate for this problem because it reduces to a binary classification (task / no task) with a strong class imbalance: most time intervals contain no new tasks, and positive examples are rare. The F1-score, as the harmonic mean of precision and recall, provides a balanced assessment by accounting equally for false positives and false negatives, since missing a real task is as undesirable as generating a false prediction.