Рекомендаційні системи з використанням текстів оглядів користувачів

Скорочена інформація про документ
dc.contributor.advisorНедашківська, Надія Іванівна
dc.contributor.authorАртеменко, Євгеній Вячеславович
dc.date.accessioned2026-02-02T14:18:12Z
dc.date.available2026-02-02T14:18:12Z
dc.date.issued2025
dc.description.abstractМагістерська дисертація: 82 с., 16 рис., 35 табл., 1 додаток, 21 джерело. Об'єкт дослідження – прогнозування рейтингів користувачів на основі текстових оглядів користувачів та метаданих товарів. Предмет дослідження – моделі колаборативної фільтрації (SVDpp, CoClustering, KNNBaseline, SlopeOne), методи векторизації тексту (TF-IDF, Word2Vec, SBERT), методи сентимент-аналізу (VADER, TextBlob), моделі регресії (Random Forest, XGBoost, Linear Regression), ансамблева гібридна рекомендаційна система на основі стекінгу. Мета дослідження – розробити ансамблеву гібридну рекомендаційну систему на основі стекінгу, порівняти вплив нових ознак на формування прогнозів, порівняти результати прогнозів базових методів колаборативної фільтрації та ансамблевих гібридних рекомендаційних систем на основі метрик якості (MSE, RMSE, MAE). Новизна – розробка методу формування ознак, який поєднує сентимент-аналіз, векторні подібності та прогнози методів колаборативної фільтрації, а також застосування цих ознак моделями регресії у задачі прогнозування рейтингу
dc.description.abstractotherMaster’s thesis: 82 pages, 16 figures, 35 tables, 1 appendix, 21 references. Object of the research – predicting user ratings based on users’ text reviews and product metadata. Subject of the research – collaborative filtering models (SVDpp, CoClustering, KNNBaseline, SlopeOne), text vectorization methods (TF-IDF, Word2Vec, SBERT), sentiment analysis methods (VADER, TextBlob), regression models (Random Forest, XGBoost, Linear Regression), and an ensemble hybrid recommender system based on stacking. Purpose of the research – to develop an ensemble hybrid recommender system based on stacking; to compare the impact of new features on prediction generation; and to compare the prediction results of baseline collaborative filtering methods and ensemble hybrid recommender systems using quality metrics (MSE, RMSE, MAE). Scientific novelty – the development of a feature engineering method that combines sentiment analysis, vector similarity measures, and predictions from collaborative filtering methods, as well as the use of these features by regression models for rating prediction
dc.format.extent82 с.
dc.identifier.citationАртеменко, Є. В. Рекомендаційні системи з використанням текстів оглядів користувачів : магістерська дис. : 124 Системний аналіз / Артеменко Євгеній Вячеславович . – Київ, 2025. – 82 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/78594
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectрекомендаційна система
dc.subjectгібридна фільтрація
dc.subjectвекторизація текстів
dc.subjectсентимент-аналіз
dc.subjectколаборативна фільтрація
dc.subject.udc004.8+004.9+303.732.4
dc.titleРекомендаційні системи з використанням текстів оглядів користувачів
dc.typeMaster Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Artemenko_magistr.pdf
Розмір:
1.57 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

Магістерські роботи (ММСА)
Магістерські роботи