Система надання рекомендацій фільмів за уподобаннями користувачів

Скорочена інформація про документ
dc.contributor.advisorКузнєцова, Наталія Володимирівна
dc.contributor.authorОстроус, Денис Юрійович
dc.date.accessioned2026-10-16T11:34:27Z
dc.date.available2026-10-16T11:34:27Z
dc.date.issued2026
dc.description.abstractДипломна робота: 90 с., 12 рис., 14 табл., 2 додатки, 15 джерел. Об'єкт дослідження — процес формування персоналізованих рекомендацій відеоконтенту. Предмет дослідження — методи SVD++, NCF та гібридного підходу NCF+Content для персоналізованої рекомендації відеоконтенту. Мета роботи — розробити й дослідити гібридну рекомендаційну систему, що поєднує матричну факторизацію з контентними ознаками відео, та порівняти її з базовими методами. Методи дослідження — SVD++, Neural Collaborative Filtering, метрики HR@K, NDCG@K, Precision@K, Recall@K, функціонально-вартісний аналіз, Python, PyTorch, scikit-learn. Актуальність роботи зумовлена зростанням обсягів цифрового відеоконтенту та потребою у персоналізованих рекомендаціях. Гібридні нейромережеві підходи дають змогу зменшити проблему холодного старту, поєднуючи колаборативні й контентні сигнали. Результати роботи — реалізовано модель NCF+Content, яка перевищує SVD++ за HR@10 на 9.1% та NDCG@10 на 14.9%. Підтверджено внесок TFIDF-ознак і жанрового вектора, а також перевагу моделі при холодному старті. Подальший розвиток роботи передбачає використання мультимодальних ознак відео, моделей BERT4Rec та методів наближеного пошуку найближчих сусідів ANN. Програмний продукт розроблено мовою Python з використанням PyTorch та scikit-learn.
dc.description.abstractotherBachelor's Thesis: 90 pages, 12 figures, 14 tables, 2 appendices, 15 references. Object of research — the process of generating personalized video content recommendations based on user behavioral data. Subject of research — SVD++, NCF, and the hybrid NCF+Content approach for personalized video content recommendation. Purpose of the work — to develop and study a hybrid recommendation system that combines matrix factorization with neural processing of video content features and to compare its effectiveness with baseline methods. Research methods — SVD++, Neural Collaborative Filtering, recommendation quality metrics HR@K, NDCG@K, Precision@K, Recall@K, functional cost analysis, and Python implementation using PyTorch and scikit-learn. Relevance — the rapid growth of digital video content creates a need for effective personalized recommendations. Classical collaborative filtering methods are limited in cold-start scenarios, while hybrid neural approaches combine collaborative and content-based signals. Results of the thesis — the NCF+Content model was implemented and studied. It outperformed baseline SVD++ by 9.1% in HR@10 and 14.9% in NDCG@10. The ablation study confirmed the contribution of TF-IDF features and the genre vector. Prospects for further research include the use of multimodal video features, BERT4Rec sequential models for temporal preference dynamics, and system scaling with approximate nearest neighbor search methods. The software product was developed in Python using PyTorch and scikitlearn.
dc.format.extent90 с.
dc.identifier.citationОстроус, Д. Ю. Система надання рекомендацій фільмів за уподобаннями користувачів : дипломна робота … бакалавра : 124 Системний аналіз / Остроус Денис Юрійович. – Київ, 2026. – 90 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/84062
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectрекомендаційна система
dc.subjectвідеоконтент
dc.subjectколаборативна фільтрація
dc.subjectsvd++
dc.subjectncf
dc.subjectгібридна модель
dc.subjecttf idf
dc.subjectмашинне навчання
dc.subjectrecommendation system
dc.subjectvideo content
dc.subjectcollaborative filtering
dc.subjectsvd++
dc.subjectncf
dc.subjecthybrid model
dc.subjecttf-idf
dc.subjectmachine learning
dc.titleСистема надання рекомендацій фільмів за уподобаннями користувачів
dc.typeBachelor Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Остроус_bakalavr.pdf
Розмір:
2.32 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