Аналіз, побудова і порівняння ефективності рекомендаційних систем

No Thumbnail Available

Date

2024

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.

DOI