Система персоналізованих рекомендацій на основі алгоритмів машинного навчання

Скорочена інформація про документ
dc.contributor.advisorКоваленко, Анатолій Єпіфанович
dc.contributor.authorЛобарєв, Павло Євгенович
dc.date.accessioned2025-08-25T13:59:34Z
dc.date.available2025-08-25T13:59:34Z
dc.date.issued2025
dc.description.abstractДипломна робота: 103 с., 11 рис., 5 табл., 20 посилань, додаток. Об’єкт дослідження – автоматизоване формування персоналізованих списків музичних творів на основі аналізу великих обсягів взаємодій «користувач – трек» та контентних характеристик записів. Сучасні музичні стримінгові сервіси пропонують десятки мільйонів композицій; без інтелектуальної підтримки користувачі стикаються з проблемою інформаційного перевантаження й не можуть оперативно віднаходити музику, що відповідає їх індивідуальним смакам. Ефективна система рекомендацій дає змогу підвищити задоволеність слухачів – показник, критичний для бізнес-метрик онлайн-платформ. Мета роботи – розробити програмний продукт, що поєднує контентні та колаборативні алгоритми машинного навчання (зокрема матричну факторизацію, графову нейронну модель LightGCN та бібліотеку LightFM) для формування персоналізованих рекомендацій музичних треків із оптимальним використанням обчислювальних ресурсів. У рамках дослідження інтегровано дані із Million Song Dataset, Spotify API та Last.fm Taste Profile, виконано попередню обробку та збагачення метаданих, реалізовано ансамбль моделей, здатний генерувати рекомендаційні списки топ-N. Програмний продукт створено мовою Python з використанням бібліотек pandas, scikit-learn, LightFM, PyTorch та PyG; передбачено можливість подальшого розширення функціоналу та деплойменту у хмарному середовищі без потреби у виділених GPU-ресурсах. Практичним результатом є система, що демонструє Recall@20 ≈ 0,18 та MAP@20 ≈ 0, 09 на тестовій підвибірці, суттєво перевершуючи базову випадкову стратегію та традиційні k-NN рекомендації.
dc.description.abstractotherBachelor's thesis: 103 p., 11 figures, 5 tables, 20 references. The object of this study is the automatic generation of personalized music playlists based on large-scale user–item interaction logs and content-based audio features. Modern streaming platforms host tens of millions of tracks, causing serious information overload: listeners struggle to discover music that matches their individual taste. Accurate recommendation engines mitigate this problem, increasing user satisfaction and retention – metrics that are vital for online businesses. The goal of the thesis is to design and implement a software solution that combines content-based and collaborative machine-learning algorithms (including matrix factorization, the LightGCN graph neural model, and the LightFM hybrid framework) to deliver personalized music recommendations while using computational resources efficiently. The work integrates data from the Million Song Dataset, Spotify API, and the Last.fm Taste Profile, performs thorough preprocessing and metadata enrichment, and builds an ensemble of models deployed as a prototype web service capable of producing real-time top-N recommendations. The system is developed in Python with pandas, scikit-learn, LightFM, PyTorch, and PyG, and is designed for cloud deployment without dedicated GPU requirements. The resulting engine achieves a Recall@20 of approximately 0.18 and a MAP@20 of ≈ 0.09 on a held-out test split, significantly outperforming random baselines and classical k-NN approaches.
dc.format.extent103 с.
dc.identifier.citationЛобарєв, П. Є. Система персоналізованих рекомендацій на основі алгоритмів машинного навчання : дипломна робота … бакалавра : 122 Комп'ютерні науки / Лобарєв Павло Євгенович. – Київ, 2025. – 103 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/75657
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectрекомендаційні системи
dc.subjectперсоналізація
dc.subjectмашинне навчання
dc.subjectколаборативна фільтрація
dc.subjectграфові нейронні мережі.
dc.titleСистема персоналізованих рекомендацій на основі алгоритмів машинного навчання
dc.typeBachelor Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Lobariev_bakalavr.pdf
Розмір:
1.88 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