Аналіз якості моделей глибокого навчання в системах рекомендацій

Скорочена інформація про документ
dc.contributor.advisorШелестов, Андрій Юрійович
dc.contributor.authorМалиняк, Володимир Володимирович
dc.date.accessioned2023-01-31T10:25:13Z
dc.date.available2023-01-31T10:25:13Z
dc.date.issued2022
dc.description.abstractenThis work contains 128 pages, 34 illustrations, 10 tables, 22 sources according to the list of references. Like many other areas of information technology, recommender systems are rapidly developing and actively researched from year to year. This leads to the appearance of many methods and algorithms for building recommendations. As a result, a critical issue arose in the absence of a single approach to assessing their effectiveness, which leads to non-reproducible and unfair results of their comparison. In this paper, the quality metrics in the tasks of building recommendations were investigated, the factors affecting the effectiveness of recommendation systems were classified and analyzed. Based on algorithms of neural network collaborative filtering, variational autoencoder for collaborative filtering and graph neural network for collaborative filtering, an experimental comparison of the quality of recommendations was carried out using open datasets MovieLens, LastFM, NetflixPrize. The formed strategy accelerates the selection of optimal models and their qualitative comparison.uk
dc.description.abstractukДана робота мiстить 128 сторiнок, 34 iлюстрацiй, 10 таблиць, 22 джерел за перелiком посилань. Як i багато iнших напрямкiв iнформацiйних технологiй, рекомендацiйнi системи стрiмко розвиваються i активно дослiджуються iз року в рiк. Це призводить до появи багатьох методiв i алгоритмiв побудови рекомендацiй. Внаслiдок чого постало критичне питання у вiдсутностi єдиного пiдходу до оцiнки їх ефективностi, що призводить до нерепродуктивних та несправедливих результатiв їх порiвняння. У данiй роботi дослiджено метрики якостi в задачах побудови рекомендацiй, класифiковано i проаналiзовно фактори впливу на ефективнiсть систем рекомендацiй. На основi алгоритмiв нейромережевої колаборативної фiльтрацiї, варiацiйного автоенкодера у задачах колаборативної фiльтрацiї i графової нейронної мережi колаборативної фiльтрацiї проведено експериментальне порiвняння якостi рекомендацiй використовуючи вiдкритi набори даних MovieLens, LastFM, NetflixPrize. Сформована стратегiя пришвидшує вiдбiр оптимальних моделей i їх якiсне порiвняння.uk
dc.format.page128 с.uk
dc.identifier.citationМалиняк, В. В. Аналіз якості моделей глибокого навчання в системах рекомендацій : магістерська дис. : 113 Прикладна математика / Малиняк Володимир Володимирович. – Київ, 2022. – 128 с.uk
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/52221
dc.language.isoukuk
dc.publisherКПІ ім. Ігоря Сікорськогоuk
dc.publisher.placeКиївuk
dc.subjectсистеми побудови рекомендацiйuk
dc.subjectrecommendation systemsuk
dc.subjectколаборативна фiльтрацiяuk
dc.subjectcollaborative filteringuk
dc.subjectоцiнка якостi алгоритмiв рекомендацiйuk
dc.subjectquality evaluation of recommendation algorithmsuk
dc.subject.udc004.93uk
dc.titleАналіз якості моделей глибокого навчання в системах рекомендаційuk
dc.typeMaster Thesisuk

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Malyniak_magistr.pdf
Розмір:
4.24 MB
Формат:
Adobe Portable Document Format
Опис:
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
1.71 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Магістерські роботи (ММАД)
Магістерські роботи