Методи глибокого навчання для аналізу поведінкових даних і прогнозування вподобань користувачів

Скорочена інформація про документ
dc.contributor.advisorКот, Анатолій Тарасович
dc.contributor.authorШаріпов, Михайло Олексійович
dc.date.accessioned2025-09-04T08:34:05Z
dc.date.available2025-09-04T08:34:05Z
dc.date.issued2025
dc.description.abstractДипломна робота: 128 с, 16 рис., 6 табл., 20 джерел. Об'єктом дослідження є процеси автоматизованого формування персоналізованих рекомендацій для користувачів ігрових платформ на основі аналізу їхньої поведінкової активності. Предметом дослідження є методи машинного навчання та глибокого навчання, що застосовуються для побудови моделей ранжування та персоналізації у системах рекомендацій. Мета роботи полягає в розробці ефективної системи персоналізованих рекомендацій ігор, здатної формувати точні та релевантні рекомендаційні списки на основі аналізу історії взаємодій користувачів із платформою. Основні результати дослідження: розроблено архітектуру системи рекомендацій, реалізовано багатошарову нейронну модель ранжування (MLP), впроваджено модуль генерації негативних прикладів, проведено функціонально-вартісний аналіз реалізації. Система демонструє високі показники точності (Precision@10) та готова до інтеграції в практичні додатки ігрових платформ. Напрями подальших досліджень включають вдосконалення механізмів семплінгу негативних прикладів (з використанням Graph-based та Model-based підходів), інтеграцію моделей послідовної обробки (RNN/Transformer) для урахування динаміки змін інтересів користувачів, а також розширення системи для рекомендацій крос-платформенного контенту (мобільні ігри, консольні ігри, підписні сервіси).
dc.description.abstractotherMaster's thesis: 128 p., 16 figures, 6 tables, 20 references, appendix. The object of research is the processes of automated generation of personalised recommendations for users of gaming platforms based on the analysis of their behavioural activity. The subject of the study is machine learning and deep learning methods used to build ranking and personalisation models in recommender systems. The aim of the study is to develop an effective system of personalised game recommendations capable of generating accurate and relevant recommendation lists based on the analysis of the history of user interactions with the platform. Main research results: the architecture of the recommendation system was developed, a multilayer neural ranking model (MLP) was implemented, a module for generating negative examples was implemented, and a functional and cost analysis of the implementation was carried out. The system demonstrates high accuracy (Precision@10) and is ready for integration into practical applications of gaming platforms. Areas for further research include improving the mechanisms for sampling negative examples (using Graph-based and Model-based approaches), integrating sequential processing models (RNN/Transformer) to take into account the dynamics of changing user interests, and extending the system to recommend cross-platform content (mobile games, console games, subscription services).
dc.format.extent129 с.
dc.identifier.citationШаріпов, М. О. Методи глибокого навчання для аналізу поведінкових даних і прогнозування вподобань користувачів : дипломна робота … бакалавра : 122 Комп'ютерні науки / Шаріпов Михайло Олексійович. – Київ, 2025. – 129 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/75788
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectнапівкероване гіперпараметрів
dc.subjectмашинне навчання
dc.subjectоптимізація задача класифікації
dc.subjectперсоналізовані рекомендації
dc.subjectглибоке навчання
dc.subjectповедінкові дані
dc.subjectsemi-supervised machine learning
dc.subjecthyperparameter optimization
dc.subjectclassification problem
dc.subjectpersonalised recommendations
dc.subjectdeep learning
dc.subjectbehavioural data
dc.titleМетоди глибокого навчання для аналізу поведінкових даних і прогнозування вподобань користувачів
dc.typeBachelor Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Sharipov_bakalavr.pdf
Розмір:
3.06 MB
Формат:
Adobe Portable Document 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 (ШІ)
Бакалаврські роботи