Аннотация: 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.