Система інтелектуального аналізу контенту та побудови персоналізованих рекомендацій з використанням машинного навчання

Скорочена інформація про документ
dc.contributor.advisorДробязко, Ірина Павлівна
dc.contributor.authorНеживий, Богдан Миколайович
dc.date.accessioned2024-12-26T08:25:58Z
dc.date.available2024-12-26T08:25:58Z
dc.date.issued2024
dc.description.abstractАктуальність 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.
dc.description.abstractotherTopic relevance: In today's world, the amount of generated data is growing exponentially, which poses the task of effective analysis and use for science and business. Recommendation systems allow you to organize and optimize information flows, providing users with access to the most relevant content. Modern users demand an increasingly personalized approach to interacting with digital content. Recommendation systems that analyze previous user behavior and preferences help create a more personalized experience, increasing interest in the platform and the level of interaction with it. Effective recommendation systems can significantly increase the productivity of marketing campaigns by providing targeting based on big data and predictive analysis. This helps companies better understand their customers and manage advertising budgets more effectively. The ability to adapt and quickly respond to changes in user needs is key to success in many industries. Companies that implement advanced data analysis and recommendation technologies gain a competitive advantage in the market. The development of machine learning methods, including neural networks and deep learning algorithms, opens up new opportunities for expanding theoretical and practical knowledge in this area. Your work will contribute to the further development of theoretical foundations and practical applications in the field of artificial intelligence systems. The development and implementation of intelligent analysis and content personalization systems not only solves current practical problems, but also contributes to the theoretical understanding of information processing and decision-making processes in conditions of instability and lack of information. The purpose: to create a personalized recommendation system that provides: accuracy in predicting user preferences, automatic adaptation to changes in their interests in real time, fast processing of large volumes of data. The object of research is the processes of big data analysis and personalized recommendation systems in the field of digital content. The subject of research machine learning methods for personalized recommendations, filtering algorithms and software tools that provide user data processing and issuing recommendations. Research methods: comparative and empirical analysis, neural network theory, machine learning methods for data processing and classification. Scientific novelty: • A new approach to creating intelligent analysis and content personalization systems has been developed, which takes into account individual user preferences; • An algorithm for adaptive personalization of recommendations has been proposed, based on the use of deep learning models for analyzing user behavior; • A software module has been developed that implements the latest machine learning algorithms to optimize the content selection process, capable of dynamically adapting to changes in user preferences Practical novelty: the proposed technologies provide a noticeable improvement in the accuracy and relevance of recommendations, which can be applied in various industries, from e-commerce to streaming platforms. The implementation of the developed solutions reduces the time to search for the necessary information, increasing the efficiency of using the platform. Approbation of dissertation results: the main provisions and results of the work were presented and discussed at the conferences: • Applied Mathematics and Computing. XVII Scientific and Practical Conference of Master's and PhD Students PMK-2024 of the Faculty of Applied Mathematics November 17-19, 2024, Kyiv, Ukraine. – K.:KPI, 2024. • XI International Scientific and Technical Internet Conference. Modern Methods, Information, Software and Technical Support of Management Systems of Organizational, Technical and Technological Complexes. Kyiv, November 27, 2024 – K.:NUKhT, 2024. Structure and scope of work: The master's thesis consists of an introduction, four chapters, a conclusion, a list of sources used and appendices. The introduction contains a description of the issues of intellectual analysis and personalized content recommendations, as well as the relevance of the research direction in the context of machine learning. The first chapter describes the theoretical foundations of intellectual analysis systems and recommendation mechanisms, including machine learning algorithms and their application for big data analysis. The second chapter contains an analysis of modern machine learning methods for content personalization, with an emphasis on various types of neural networks used for these purposes. The third chapter is devoted to the software implementation of the intellectual analysis and personalized recommendations module, including a detailed description of the development and testing of the system. The fourth chapter describes the experimental verification of the developed system, analysis of the results and determination of the effectiveness of the proposed solutions. The conclusions contain the results of the work performed and recommendations for further improvement of the system. The master's thesis is presented on 67 sheets, contains 3 appendices, 15 sources, 31 figures and 3 tables. Keywords: data mining, personalized recommendations, machine learning, neural networks, recommendation system, big data analysis, deep learning.
dc.format.extent78 с.
dc.identifier.citationНеживий, 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
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/71350
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectінтелектуальний аналіз даних
dc.subjectперсоналізовані рекомендації
dc.subjectмашинне навчання
dc.subjectнейронні мережі
dc.subjectсистема рекомендацій
dc.subjectаналіз великих даних
dc.subjectглибинне навчання.
dc.subjectdata mining
dc.subjectpersonalized recommendations
dc.subjectmachine learning
dc.subjectneural networks
dc.subjectrecommendation system
dc.subjectbig data analysis
dc.subjectdeep learning
dc.subject.udc004.8
dc.titleСистема інтелектуального аналізу контенту та побудови персоналізованих рекомендацій з використанням машинного навчання
dc.typeMaster Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
Nezhyvyi_BM_KV32mp_magistr_2024.docx
Розмір:
2.19 MB
Формат:
Microsoft Word XML
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 (СПСКС)
Магістерські роботи