Методи аналізу та фільтрації потоків даних надвеликих обсягів
| dc.contributor.advisor | Рогоза, Валерій Станіславович | |
| dc.contributor.author | Прасолов, Андрій Павлович | |
| dc.date.accessioned | 2019-03-25T16:54:29Z | |
| dc.date.available | 2019-03-25T16:54:29Z | |
| dc.date.issued | 2018 | |
| dc.description.abstracten | Work carried out on 78 pages containing 22 figures, 21 tables. The paper was written with references to 20 different sources. Topicality Humanity does not stand still. Constantly creating new products, filming new movies and creating new music. Competition only extends and everyone tries to enter the market by demonstrating their product, its benefits, and opportunities. This leads to the fact that today we have a large choice of alternatives. When going to work, we listen one of the thousands of songs, in the evening we watch one of a large number of films and buy a certain item from among many others. So far, harder and harder a person to make a choice, so the programs help reduce the number of alternatives for us choosing only those products that are suitable for us. Collaborative filtering algorithms are widely used by various sites and Internet services for a variety of tasks such as movie and music recommendations, new friends' recommendations in social networking and even simple information searches. Purpose. The purpose of the work is to research and implement collaborative filtration algorithms, their analysis and comparison. Searching for situations in one or another algorithm works better. Considering the combination of several algorithms. Solution. In the course of the master's thesis collaborative filtration algorithms, namely Item-Based, User-Based, NMF, PMF, BPMF, Reg SVD and Slope One were investigated. A program was created in which the listed algorithms were implemented. The created program analyzed and compared algorithms. An analysis of the accuracy of the algorithms was performed, and the algorithms were investigated based on the data of different levels of density. The study of the performance of the algorithms is carried out. Object of research. Collaborative filtration. Subject of research. Collaborative filtering algorithms that can be used in recommendation systems. Research methods. To solve the problem in this paper were used methods of analysis and synthesis, system analysis, comparison, logical generalization of results. Scientific novelty. The scientific novelty of the work is to compare a large number of collaborative filtration algorithms and to find situations in which one or another algorithm manifests itself in the best way. The practical value of the results. The obtained results can be used in future research in the direction of research of collaborative filtration algorithms. Also, with the help of the results of this work you can choose a successful approach to building an optimal recommendation system. | uk |
| dc.description.abstractru | Робота исполнена на 78 страницах, содержит 22 иллюстрации, 21 таблицы. При подготовке использовалась литература из 20 источников. Актуальность темы. Человечество не стоит на месте. Постоянно создаются новые продукты, снимаются новые фильмы и создается новая музыка. Конкуренция только возрастает и каждый пытается попасть на рынок показав свой продукт, его преимущества и возможности. Это приводит к тому, что на сегодня мы имеем огромный выбор альтернатив. Идя на работу слушаем несколько из сотен тысяч песен, вечером смотрим один из огромного множества фильмов и покупаем определенный товар из множества других. Чем дальше, тем труднее человеку делать выбор, поэтому программы помогают сократить количество альтернатив, выбрав для нас только те товары, которые подходят именно нам. Алгоритмы коллаборативной фильтрации широко используются разными сайтами и интернет-сервисами для разнообразных задач, таких как рекомендации фильмов и музыки, рекомендации новых друзей в социальных сетях и даже простой поиск информации. Цели и задачи исследования. Целью работи является исследование и реализация алгоритмов коллаборативной фильтрации, их анализ и сравнение. Поиск ситуаций, в которых тот или иной алгоритм работает наилучше. Рассмотрение возможности комбинации нескольких алгоритмов. Решения поставленных задач и полученные результаты. В ходе выполнения магистерской работы было исследовано алгоритмы коллаборативной фильтрации, а именно Item-Based, User-Based, NMF, PMF, BPMF, Reg SVD и Slope One. Было создано программу, в которой было реализовано перечисленные алгоритмы. При помощи созданной программы было призведено анализ и сравнение алгоритмов. Было проведено анализ точности алгоритмов, изучено как алгоритмы работают с даннымы разного уровня разреженности. Произведено исследование быстродействия работы алгоритмов. Объект исследования. Коллаборативная фильтрация. Предмет исследования. Алгоритмы коллаборативной фильтрации, которые можна применить в рекомендационных системах. Методы исследований. Для решения проблемы в данной работе использовались методы анализа и синтеза, системного анализа, сравнения, логического обобщения результатов. Научная новизна. Научная новизна работы состоит в сравнении большого количества алгоритмов коллаборативной фильтрации, которые раньше не сравнивались и в поиске ситуацый, в которых той или иной алгоритм показывает себя лучшим образом. Практическое значение полученных результатов Полученные результаты могут быть использованы в будущих исследованиях в направлении исследований алгоритмов коллаборативной фильтрации. Также, при помощи результатов этой работы можна выбрать удачный подход для построения оптимальной рекомендационной системы. | uk |
| dc.description.abstractuk | 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. | uk |
| dc.format.page | 78 c. | uk |
| dc.identifier.citation | 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. | uk |
| dc.identifier.uri | https://ela.kpi.ua/handle/123456789/26898 | |
| dc.language.iso | uk | uk |
| dc.publisher.place | Київ | uk |
| dc.subject | колаборативна фільтрація | uk |
| dc.subject | рекомендаційні системи | uk |
| dc.subject | item-based | uk |
| dc.subject | user-baser | uk |
| dc.subject | NMF | uk |
| dc.subject | PMF | uk |
| dc.subject | BPMF | uk |
| dc.subject | regularized SVD | uk |
| dc.subject | slope one | uk |
| dc.subject | collaborative filtering | uk |
| dc.subject | recomendation systems | uk |
| dc.subject.udc | 004.852 | uk |
| dc.title | Методи аналізу та фільтрації потоків даних надвеликих обсягів | uk |
| dc.type | Master Thesis | uk |
Файли
Контейнер файлів
1 - 1 з 1
Вантажиться...
- Назва:
- Prasolov_magistr.pdf
- Розмір:
- 1.58 MB
- Формат:
- Adobe Portable Document Format
- Опис:
Ліцензійна угода
1 - 1 з 1
Ескіз недоступний
- Назва:
- license.txt
- Розмір:
- 1.71 KB
- Формат:
- Item-specific license agreed upon to submission
- Опис: