Система рекомендацій музики на основі уподобань користувачів

Скорочена інформація про документ
dc.contributor.advisorКузнєцова, Наталія Володимирівна
dc.contributor.authorМінін, Петро Олексійович
dc.date.accessioned2026-09-10T10:43:43Z
dc.date.available2026-09-10T10:43:43Z
dc.date.issued2026
dc.description.abstractДипломна робота: 88 с., 7 табл., 10 рис., 2 дод., 13 джерел. Об’єкт дослідження: процеси персоналізації та інтелектуального аналізу даних у потокових мультимедійних сервісах. Предмет: математичні моделі та програмні методи колаборативної фільтрації для неявного зворотного зв’язку (Implicit Feedback) у музичних рекомендаціях. Мета роботи: підвищення точності та релевантності музичних рекомендацій шляхом розробки та дослідження гібридного алгоритму, що об'єднує соціальний контекст, подібність об'єктів і латентні фактори для усунення обмежень поодиноких моделей. Практичні результати: мовою Python розроблено архітектуру рекомендаційної системи та конвеєр обробки даних Last.fm (360K). Реалізовано базові моделі User-based і Item-based (косинусна подібність), модель матричної факторизації ALS із L2-регуляризацією, а також гібридний ансамбль (Union Ensemble) на основі зваженої агрегації рангів кандидатів. Тестування методом маскування взаємодій (80/20) за метриками Precision@K та Recall@K підтвердило перевагу гібрида: приріст точності становив 3–5% порівняно з найкращою базовою моделю (ALS). Подальший розвиток: інтеграція контентного аналізу за допомогою моделей глибокого навчання (аналіз спектрограм треків), адаптація системи до режиму реального часу та розробка модулів вирішення проблеми «холодного старту» через контекстуальні дані.
dc.description.abstractotherThesis: 88 p., 7 tabl., 10 fig., 2 app., 13 ref. Object of research: processes of personalization and data mining in streaming multimedia services. Subject: mathematical models and software methods of collaborative filtering for implicit feedback in music recommendations. Purpose of work: to improve the accuracy and relevance of music recommendations by developing and researching a hybrid algorithm that combines social context, object similarity and latent factors to eliminate the limitations of single models. Practical results: the architecture of the recommendation system and the Last.fm data processing pipeline (360K) were developed in Python. The basic User-based and Item-based models (cosine similarity), the ALS matrix factorization model with L2-regularization, as well as the hybrid ensemble (Union Ensemble) based on weighted aggregation of candidate ranks were implemented. Testing using the interaction masking method (80/20) using the Precision@K and Recall@K metrics confirmed the advantage of the hybrid: the accuracy gain was 3–5% compared to the best baseline model (ALS). Further development: integration of content analysis using deep learning models (track spectrogram analysis), adaptation of the system to real-time mode, and development of modules to solve the "cold start" problem through contextual data.
dc.format.extent88 с.
dc.identifier.citationМінін, П. О. Система рекомендацій музики на основі уподобань користувачів : дипломна робота … бакалавра : 124 Системний аналіз / Мінін Петро Олексійович. – Київ, 2026. – 88 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/82965
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectрекомендаційні системи
dc.subjectмузичні рекомендації
dc.subjectколаборативна фільтрація
dc.subjectгібридний ансамбль
dc.subjectматрична факторизація
dc.subjectалгоритм als
dc.subjectitem-based фільтрація
dc.subjectuser-based фільтрація
dc.subjectкосинусна подібність
dc.subjectнеявний зворотний зв'язок (implicit feedback)
dc.subjectрозріджені матриці
dc.subjectprecision@k
dc.subjectrecall@k
dc.subjectrecommender systems
dc.subjectmusic recommendations
dc.subjectcollaborative filtering
dc.subjecthybrid ensemble
dc.subjectmatrix factorization
dc.subjectalternating least squares (als)
dc.subjectitem-based filtering
dc.subjectuser-based filtering
dc.subjectcosine similarity
dc.subjectimplicit feedback
dc.subjectsparse matrices
dc.titleСистема рекомендацій музики на основі уподобань користувачів
dc.typeBachelor Thesis

Файли

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

Зібрання

Бакалаврські роботи (ММСА)
Бакалаврські роботи