Аналіз, побудова і порівняння ефективності рекомендаційних систем
No Thumbnail Available
Date
2024
Authors
Advisor
Journal Title
Journal ISSN
Volume Title
Publisher
КПІ ім. Ігоря Сікорського
Abstract
В цiй дипломнiй роботi розглядається новий пiдхiд до рекомендацiй
контенту, спрямований на вирiшення проблеми холодного старту шляхом
побудови метамоделi з використанням стекингу рекурентних нейронних
мереж. Мета роботи полягає у дослiдженнi ефективностi метамоделi для
рекомендацiй контенту, об’єктом дослiдження є алгоритми рекомендацiй,
а предметом — методи ансамблювання рекурентних нейронних мереж.
Основнi результати дослiдження показують, що стекинг
рекурентних нейронних мереж дозволяє значно покращити якiсть
рекомендацiй у ситуацiях, коли початковi данi для навчання є
обмеженими. Спочатку був побудований ансамбль рекомендативних
моделей на великому наборi даних, а потiм метамодель була дообучена на
меншому обсязi даних. Це дозволило досягти високої точностi та
релевантностi рекомендацiй, навiть для нових користувачiв i нових
продуктiв.
Description
Keywords
стекiнг, рекурентнi нейроннi мережi, проблема холодного старту, рекомендацiйнi системи stacking, recurrent neural networks, cold start problem, recommendation systems
Citation
Клименко, І. М. Аналіз, побудова і порівняння ефективності рекомендаційних систем : дипломна робота ... бакалавра : 113 Прикладна математика / Клименко Iгор Михайлович. - Київ, 2024. - 73 с.