Система інтелектуального аналізу контенту та побудови персоналізованих рекомендацій з використанням машинного навчання
Ескіз недоступний
Дата
2024
Автори
Науковий керівник
Назва журналу
Номер ISSN
Назва тому
Видавець
КПІ ім. Ігоря Сікорського
Анотація
Актуальність теми: У сучасному світі кількість генерованих даних зростає експоненційно, що ставить перед наукою та бізнесом завдання їх ефективного аналізу і використання. Системи рекомендацій дозволяють організовувати та оптимізувати потоки інформації, забезпечуючи користувачам доступ до найбільш релевантного контенту. Сучасні користувачі вимагають все більш персоналізованого підходу у взаємодії з цифровим контентом. Рекомендаційні системи, які аналізують попередню поведінку та вподобання користувачів, сприяють створенню більш персоналізованого досвіду, підвищуючи інтерес до платформи та рівень взаємодії з нею.
Ефективні системи рекомендацій можуть значно підвищити продуктивність маркетингових кампаній, забезпечуючи таргетинг на основі великих даних та передбачального аналізу. Це допомагає компаніям краще розуміти своїх клієнтів та ефективніше управляти рекламними бюджетами. Уміння адаптуватися та швидко відповідати на зміни в потребах користувачів є ключовим для успіху у багатьох галузях. Компанії, що імплементують передові технології для аналізу даних і рекомендацій, здобувають конкурентну перевагу на ринку.
Розвиток методів машинного навчання, в тому числі нейронних мереж та алгоритмів глибокого навчання, відкриває нові можливості для розширення теоретичних і практичних знань у цій області. Ваша робота сприятиме подальшому розвитку теоретичних основ і практичних застосувань у сфері систем штучного інтелекту.
Розробка та впровадження систем інтелектуального аналізу та персоналізації контенту не тільки вирішує актуальні практичні завдання, але й сприяє теоретичному розумінню процесів обробки інформації та прийняття рішень в умовах нестабільності та нестачі інформації.
Мета роботи: створити систему персоналізованих рекомендацій, яка забезпечує точність у передбаченні вподобань користувачів, автоматичну адаптацію до змін їхніх інтересів у реальному часі, швидку обробку великих обсягів даних.
Об’єктом дослідження є процеси аналізу великих даних та систем персоналізованих рекомендацій у сфері цифрового контенту.
Предметом дослідження є методи машинного навчання для персоналізованих рекомендацій, алгоритми фільтрації та програмні засоби, що забезпечують обробку користувацьких даних та видачу рекомендацій.
Методи досліджень: порівняльний та емпіричний аналіз, теорія нейронних мереж, методи машинного навчання для обробки та класифікації даних.
Наукова новизна:
• Розроблено новий підхід до створення систем інтелектуального аналізу та персоналізації контенту, який враховує індивідуальні вподобання користувачів.
• Запропоновано алгоритм для адаптивної персоналізації рекомендацій, що базується на використанні глибоких навчальних моделей для аналізу поведінки користувачів.
• Розроблено програмний модуль, який застосовує сучасні алгоритми машинного навчання для оптимізації вибору контенту та адаптації до змін у вподобаннях користувачів.
Практична цінність: розроблена система рекомендацій забезпечує покращення точності та релевантності рекомендацій і може бути застосована в різних галузях: від електронної комерції до стрімінгових платформ. Впровадження запропонованих рішень оптимізує процес пошуку потрібної інформації, тим самим підвищуючи ефективність використання інформаційної платформи.
Апробація результатів дисертації: основні положення і результати роботи представлені та обговорювались на конференціях:
• Прикладна математика та комп’ютинг. XVII науково-практична конференція магістрантів та аспірантів ПМК-2024 факультету прикладної математики 17 – 19 листопада 2024 р., Київ, Україна. – К.:КПІ, 2024.
• XI Міжнародна науково-технічна Internet-конференція. Сучасні методи, інформаційне, програмне та технічне забезпечення систем керування організаційно-технічними та технологічними комплексами. Київ, 27 листопада 2024 р. – К.:НУХТ, 2024.
Структура та обсяг роботи: магістерська дисертація складається з вступу, чотирьох розділів, висновку, списку використаних джерел та додатків.
Вступ містить опис проблематики інтелектуального аналізу та персоналізованих рекомендацій контенту, а також актуальність напрямку досліджень у контексті машинного навчання.
Перший розділ описує теоретичні основи систем інтелектуального аналізу та механізмів рекомендацій, включаючи алгоритми машинного навчання та їхнє застосування для аналізу великих даних.
Другий розділ містить аналіз сучасних методів машинного навчання для персоналізації контенту, з акцентом на різні типи нейронних мереж, що використовуються для цих цілей.
Третій розділ присвячено програмній реалізації модуля інтелектуального аналізу та персоналізованих рекомендацій, тестуванню системи, включаючи детальний опис розробки та реалізацію алгоритмів машинного навчання.
Четвертий розділ описує експериментальну перевірку розробленої системи, аналіз результатів та визначення ефективності пропонованих рішень.
Висновки містять підсумки виконаної роботи та рекомендації щодо подальшого вдосконалення системи.
Магістерська дисертація представлена на 67 аркушах, містить 3 додатків, 15 джерел, 31 рисунків і 3 таблиць.
Ключові слова: інтелектуальний аналіз даних, персоналізовані рекомендації, машинне навчання, нейронні мережі, система рекомендацій, аналіз великих даних, глибинне навчання.
Опис
Ключові слова
інтелектуальний аналіз даних, персоналізовані рекомендації, машинне навчання, нейронні мережі, система рекомендацій, аналіз великих даних, глибинне навчання., data mining, personalized recommendations, machine learning, neural networks, recommendation system, big data analysis, deep learning
Бібліографічний опис
Неживий, Б. М. Система інтелектуального аналізу та побудови персоналізованих рекомендацій контенту з використанням машинного навчання» : магістерська дис. : 123 Комп'ютерна інженерія / Неживий Богдан Миколайович. – Київ, 2024. – 78 с