Методи аналізу та фільтрації потоків даних надвеликих обсягів
Вантажиться...
Дата
2018
Автори
Науковий керівник
Назва журналу
Номер ISSN
Назва тому
Видавець
Анотація
Робота виконана на 78 сторінках, містить 22 ілюстрації, 21 таблиця. При
підготовці використовувалась література з 20 джерел.
Актуальність теми.
Людство не стоїть на місці. Постійно створюються нові продукти,
знімаються нові фільми та створюється нова музика. Конкуренція тільки
зростає і кожен намагається потрапити на ринок продемонструвавши свій
продукт, його переваги та можливості. Це призводить до того, що на сьогодні
ми маємо величезний вибір альтернатив. Йдучи на роботу слухаємо декілька з
сотень тисяч пісень, ввечері дивимось один з великої кількості фільмів та
купуємо певний товар з поміж безлічі інших.
Чим далі, тим важче людині робити вибір, тож програми допомагають
скоротити кількість альтернатив, обравши для нас лише ті товари, що
підходять саме для нас.
Алгоритми колаборативної фільтрації широко використовуються
різними сайтами та інтернет-сервісами для різноманітних завдань, таких як
рекомендації фільмів та музики, рекомендації нових друзів в соціальних
мережах та навіть простий пошук інформації.
Мета та задачі дослідження.
Метою роботи є дослідження та реалізація алгоритмів колаборативної
фільтрації, їх аналіз та порівняння. Пошук ситуацій, у яких той чи інший
алгоритм працює найкраще. Розгляд можливості комбінації декількох
алгоритмів.
Рішення поставлених завдань та досягнуті результати
В ході виконання магістерської роботи було досліджено алгоритми
колаборативної фільтрації, а саме Item-Based, User-Based, NMF, PMF, BPMF,
Reg SVD та Slope One. Було створено програму, в якій було реалізовано
перераховані алгоритми.
За допомогою створеної програми було проведено аналіз та порівняння
алгоритмів. Було проведено аналіз точності алгоритмів, досліджено як
алгоритми працюють з даними різного рівня розрідженості. Проведено
дослідження швидкості роботи алгоритмів.
Об’єкт досліджень.
Рекоментадійні системи.
Предмет досліджень.
Алгоритми колаборативної фільтрації, які можна застосовувати в
рекомендаційних системах.
Методи досліджень.
Для вирішення проблеми в даній роботі використовуються методи
аналізу і синтезу, системного аналізу, порівняння, логічного узагальнення
результатів.
Наукова новизна.
Наукова новизна роботи полягає у порівнянні великої кількості
алгоритмів колаборативної фільтрації, які раніше не порівнювалися та у
пошуці ситуацій, у яких той чи інший алгоритм проявляє себе найкращим
чином.
Практичне значення одержаних результатів.
Отримані результати можуть використовуватись у майбутніх
дослідженнях за напрямком дослідження алгоритмів колаборативної
фільтрації. Також, за допомогою результатів даної роботи можна обрати
вдалий підхід до побудови оптимальної рекомендаційної системи.
Опис
Ключові слова
колаборативна фільтрація, рекомендаційні системи, item-based, user-baser, NMF, PMF, BPMF, regularized SVD, slope one, collaborative filtering, recomendation systems
Бібліографічний опис
Прасолов, А. П. Методи аналізу та фільтрації потоків даних надвеликих обсягів. Колаборативна фільтрація на підставі аналізу змісту даних та фільтрація на підставі оцінки подібності груп даних та подібності користувачів даних : магістерська дис. : 122 Інформаційні системи та технології проектування / Прасолов Андрій Павлович. - Київ, 2018. - 78 с.