Методи штучного інтелекту для адаптивної персоналізації веб інтерфейсів у реальному часі

Скорочена інформація про документ
dc.contributor.advisorСліпченко, Володимир Георгійович
dc.contributor.authorЧервоняк, Андрій Богданович
dc.date.accessioned2026-01-30T09:20:13Z
dc.date.available2026-01-30T09:20:13Z
dc.date.issued2025
dc.descriptionСистема персоналізації веб-інтерфейсів — це програмне забезпечення, що використовує методи штучного інтелекту (зокрема, модель MLP) для адаптації UI в реальному часі на основі анонімних сесійних метрик користувача (час взаємодії, кількість секцій, цінність дій). Вона сегментує користувачів на рівні намірів (низький, середній, високий), генерує JSON-конфігурації для зміни порядку секцій, тексту та функцій, забезпечуючи підвищення залученості без персональних даних. Розроблено на Python (FastAPI, scikit-learn) для backend та Next.js (React, TypeScript) для frontend, з latency <100 мс та GDPR-сумісністю.
dc.description.abstractАктуальність теми. У сучасному цифровому середовищі статичні веб-інтерфейси не враховують індивідуальні потреби користувачів, що призводить до зниження залученості та конверсії. Методи штучного інтелекту дозволяють створювати адаптивні інтерфейси, які динамічно налаштовуються під поведінку в реальному часі, без використання персональних даних. Критичний аналіз показує обмеженість rule-based систем та залежність сучасних рішень (Amazon, Netflix) від історичних даних, що робить актуальним розробку анонімної реал-тайм персоналізації на основі сесійних метрик. Мета роботи. Визначення ефективних методів штучного інтелекту для адаптивної персоналізації веб-інтерфейсів у реальному часі та встановлення їх практичної застосовності для підвищення показників залученості користувачів. Завдання дослідження. Дослідження підходів до персоналізації та ML-методів класифікації намірів; аналіз датасету поведінки онлайн-покупців з feature engineering; розробка та порівняння шести ML-моделей для сегментації; проектування архітектури real-time системи з інтеграцією ML; реалізація ПЗ з збором даних, API інференсу та адаптацією UI. Об’єкт дослідження. Процес моделювання поведінки користувачів веб-інтерфейсів для прогнозування намірів та сегментації на основі анонімних сесійних даних. Предмет дослідження. Методи машинного навчання для класифікації користувачів за рівнем наміру та алгоритми динамічної адаптації компонентів веб-інтерфейсу в реальному часі. Методи дослідження. Аналітичні: порівняльний аналіз шести алгоритмів ML за метриками accuracy, F1-score, AUC-ROC, аналіз важливості ознак Random Forest. Експериментальні: навчання моделей на датасеті "Online Shoppers Purchasing Intention" зі стратифікованим поділом 80/20, SMOTE-балансуванням, StandardScaler-масштабуванням. Моделювання: розробка RESTful API на FastAPI (latency <100 мс), архітектура Clean Architecture, збір даних Intersection Observer API та sessionStorage. Апробація результатів роботи. Результати апробовано під час переддипломної практики на кафедрі цифрових технологій в енергетиці КПІ ім. І. Сікорського, з демонстрацією системи та оцінкою продуктивності. Структура та обсяг магістерської дисертації. Робота складається з вступу, чотирьох розділів, висновків, списку джерел (26 позицій) та додатків. Обсяг - 91 сторінка, 18 рисунків, 15 таблиць. Публікації. Публікація представлена на 23-й Міжнародній науково-практичній конференції «Математичне та програмне забезпечення інтелектуальних систем»
dc.description.abstractotherRelevance of the topic. In the modern digital environment, static web interfaces do not account for individual user needs, leading to decreased engagement and conversion. Artificial intelligence methods enable adaptive interfaces that dynamically adjust to real-time behavior without personal data. Critical analysis shows limitations of rule-based systems and dependence of modern solutions (Amazon, Netflix) on historical data, making anonymous real-time personalization based on session metrics relevant. Purpose of the work. Determination of effective artificial intelligence methods for adaptive personalization of web interfaces in real time and establishment of their practical applicability to increase user engagement indicators. Research tasks. Study of approaches to web interface personalization and ML methods for user intent classification; analysis of online shopper behavior dataset with feature engineering; development and comparison of six ML models for user segmentation; design of real-time system architecture integrating ML; implementation of software including data collection, model inference API, and dynamic UI adaptation. Object of research. The process of modeling user behavior in web interfaces for intent prediction and segmentation based on anonymous session data. Subject of research. Machine learning methods for classifying users by intent level and algorithms for dynamic adaptation of web interface components in real time. Research methods. Analytical: comparative analysis of six ML algorithms by accuracy, F1-score, AUC-ROC metrics, feature importance analysis using Random Forest. Experimental: model training on "Online Shoppers Purchasing Intention" dataset with stratified 80/20 split, SMOTE balancing, StandardScaler scaling. Modeling: development of RESTful API on FastAPI (latency <100 ms), Clean Architecture design, data collection using Intersection Observer API and sessionStorage. Approbation of work results. Results were approbated during pre-diploma practice at the Department of Digital Technologies in Energy at KPI named after I. Sikorsky, with system demonstration and performance evaluation. Structure and volume of the master's thesis. The work consists of an introduction, four sections, conclusions, list of sources (26 items), and appendices. Volume - 91 pages, 18 figures, 15 tables. Publications. The publication was presented at the 23rd International Scientific and Practical Conference “Mathematical and Software Support of Intelligent Systems”.
dc.format.extent92 с.
dc.identifier.citationЧервоняк, А. Б. Методи штучного інтелекту для адаптивної персоналізації веб інтерфейсів у реальному часі : магістерська дис. : 122 Комп’ютерні науки / Червоняк Андрій Богданович. – Київ, 2025. – 92 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/78559
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectперсоналізація веб-інтерфейсів
dc.subjectмашинне навчання
dc.subjectmlp-модель
dc.subjectреал-тайм адаптація
dc.subjectсесійні метрики
dc.subjectsmote-балансування
dc.subjectfastapi
dc.subjectnext.js
dc.subjectgdpr-compliance
dc.subjectux-оцінка
dc.subjectweb interface personalization
dc.subjectmachine learning
dc.subjectmlp model
dc.subjectreal-time adaptation
dc.subjectsession metrics
dc.subjectsmote balancing
dc.subjectgdpr compliance
dc.subjectux evaluation
dc.titleМетоди штучного інтелекту для адаптивної персоналізації веб інтерфейсів у реальному часі
dc.typeMaster Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Chervoniak_magistr.pdf
Розмір:
4.18 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

Магістерські роботи (ЦТЕ)
Магістерські роботи