Нейромережева система генерації персоналізованих рекомендацій на основі динамічних вкладень графів

Скорочена інформація про документ
dc.contributor.advisorНедашківська, Надія Іванівна
dc.contributor.authorАндросов, Дмитро Васильович
dc.date.accessioned2022-09-21T13:56:55Z
dc.date.available2022-09-21T13:56:55Z
dc.date.issued2022
dc.description.abstractenMaster’s thesis: 114 p., 25 tab., 10 fig., 19 references, 1 appendix. The object of following study is a contextual recommendation retrieval problem. The subjects of current thesis are models and algorithms of contextual recommendation retrieval. The purpose of study is to conduct research on effectiveness of different approaches to solve contextual recommendation tasks, such as matrix factorization models and deep learning models. In following research new recommender system modelling approach is proposed and implemented. That model type leverages architecture of Deep and Cross Networks with addition of Attention Networks. Proposed model type can quickly process user interaction data and infer knowledge of latter interactions taking into consideration interaction type, interaction order, features of items and users, and leverages previously gained knowledge of item-to-item relations. During the study, model comparisons were made. In particular, proposed model variations were compared with recommender system approaches based on matrix factorization machines, such as Bayesian Personalized Ranking and Alternating Least Squares, and deep learning based models, in particular Long Short-Term Memory network.uk
dc.description.abstractukМагістерська дисертація: 114 с., 25 табл., 10 рис., 19 джерел, 1 додаток. Об’єктом дослідження є задача генерації контекстуальних рекомендацій. Предмет дослідження – алгоритми та моделі видачі контекстуальних рекомендацій. Мета дослідження полягає у аналізі алгоритмів видачі рекомендацій, що базуються на моделях матричної факторизації, а також алгоритмів, що використовують аппарат мереж глибокого навчання. Запропонована та розроблена модель рекомендаційних систем, що використовують аппарат глибоких перехресних нейронних мереж та мереж на основі механізму уваги. Дані моделі здатні швидко оброблювати послідовності дій користувача з об’єктами, враховуючи порядок виконаної дії, ознаку дії, характеристику суб’єкта та об’єкта, а також пов’язані з об’єктом суміжні позиції. Проведено порівняння запропонованої рекомендаційної системи з існуючими методами проектування рекомендаційних систем: машинами факторизації на основі байєсівського персоналізованого ранжування, машинами факторизації на основі методів змінних найменших квадратів та нейронними мережами на основі моделей довгої короткострокової пам’яті.uk
dc.format.page115 с.uk
dc.identifier.citationАндросов, Д. В. Нейромережева система генерації персоналізованих рекомендацій на основі динамічних вкладень графів : магістерська дис. : 122 Комп'ютерні науки / Андросов Дмитро Васильович. - Київ, 2022. - 115 с.uk
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/49940
dc.language.isoukuk
dc.publisherКПІ ім. Ігоря Сікорськогоuk
dc.publisher.placeКиївuk
dc.subjectрекомендаційна системаuk
dc.subjectглибока та широка мережаuk
dc.subjectдовга короткострокова пам’ятьuk
dc.subjectбайєсівське персоналізоване ранжуванняuk
dc.subjectзмінні найменші квадратиuk
dc.subjectвкладення графівuk
dc.subjectдинамічні графові мережіuk
dc.subjectмашини факторизаціїuk
dc.subjectмеханізм увагиuk
dc.subjectглибоке навчанняuk
dc.subjectrecommender systemuk
dc.subjectdeep and cross networksuk
dc.subjectlong short-term memoryuk
dc.subjectbayesian personalied rankinguk
dc.subjectalternating least squaresuk
dc.subjectgraph embeddingsuk
dc.subjectdynamic graph networksuk
dc.subjectfactorization machinesuk
dc.subjectattention networksuk
dc.subjectdeep learninguk
dc.subject.udc004.852uk
dc.titleНейромережева система генерації персоналізованих рекомендацій на основі динамічних вкладень графівuk
dc.typeMaster Thesisuk

Файли

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

Зібрання

Магістерські роботи (ММСА)
Магістерські роботи