Аналіз, побудова і порівняння ефективності рекомендаційних систем

Скорочена інформація про документ
dc.contributor.advisorЯковлєв, Серній Володимирович
dc.contributor.authorКлименко, Iгор Михайлович
dc.date.accessioned2024-09-26T10:02:56Z
dc.date.available2024-09-26T10:02:56Z
dc.date.issued2024
dc.description.abstractВ 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.
dc.description.abstractotherThis diploma work explores a novel approach to content recommendation aimed at addressing the cold start problem by building a meta-model using the stacking of recurrent neural networks. The aim of the work is to investigate the effectiveness of the meta-model for content recommendations, with the object of study being recommendation algorithms and the subject being methods of ensemble learning with recurrent neural networks. The main results of the study show that stacking recurrent neural networks significantly improves the quality of recommendations in situations where initial training data is limited. An ensemble of recommendation models was first built on a large dataset, and then the meta-model was further trained on a smaller volume of data. This approach achieved high accuracy and relevance of recommendations, even for new users and new products.
dc.format.extent73 c.
dc.identifier.citationКлименко, І. М. Аналіз, побудова і порівняння ефективності рекомендаційних систем : дипломна робота ... бакалавра : 113 Прикладна математика / Клименко Iгор Михайлович. - Київ, 2024. - 73 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/69295
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectстекiнг
dc.subjectрекурентнi нейроннi мережi
dc.subjectпроблема холодного старту
dc.subjectрекомендацiйнi системи stacking
dc.subjectrecurrent neural networks
dc.subjectcold start problem
dc.subjectrecommendation systems
dc.titleАналіз, побудова і порівняння ефективності рекомендаційних систем
dc.typeBachelor Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
Klsmenko_bakalavr.pdf.crdownload
Розмір:
426.57 KB
Формат:
Unknown data format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Бакалаврські роботи (ММЗІ)
Бакалаврські роботи