Система надання рекомендацій методами глибоких нейронних мереж
| dc.contributor.advisor | Недашківська, Надія Іванівна | |
| dc.contributor.author | Панаско, Віталій Євгенович | |
| dc.date.accessioned | 2023-09-18T13:49:36Z | |
| dc.date.available | 2023-09-18T13:49:36Z | |
| dc.date.issued | 2023 | |
| dc.description.abstract | Дипломна робота містить 149 c., 45 рис., 33 табл., 2 дод., 40 посилань. Ключові слова: РЕКОМЕНДАЦІЙНА СИСТЕМА, ГЛИБИННЕ НАВЧАННЯ, МАТРИЧНА ФАКТОРИЗАЦІЯ, КОЛАБОРАТИВНА ФІЛЬТРАЦІЯ, ГІБРИДНА РЕКОМЕНДАЦІЙНА МОДЕЛЬ, ЗАДАЧА РАНЖУВАННЯ, ЛАТЕНТНЕ ПРЕДСТАВЛЕННЯ, МЕТОД DSSM, ПОСЛІДОВНІ НЕЙРОННІ МЕРЕЖІ Об’єкт дослідження: рекомендаційні системи, реалізовані методами глибинного навчання. Мета дослідження: порівняння ефективності наявних методів рекомендацій з новими методами, що використовують для надання рекомендацій нейронні мережі. Використані моделі: модель матричної факторизації методом SVD, модель матричної факторизації методом ALS, модель матричної факторизації методом LightFM, модель DSSM, модель GRU, модель GRU4Rec, модель Caser. Отримані результати: програмно реалізовано систему надання рекомендацій методами DSSM та GRU за допомогою Python з можливістю включати в моделі різні архітектури, оцінено точність моделей за множиною метрик якості. В рамках подальшого дослідження пропонується розглянути роботу реалізованих методів на інших вибірках, що представляють більш широкий спектр представлень даних, а також експерименти з вбудованими в моделі архітектурами. | uk |
| dc.description.abstractother | The diploma thesis contains 149 pages, 45 figures, 33 tables, 2 appendices, 40 references. Keywords: RECOMMENDATION SYSTEM, DEEP LEARNING, MATRIX FACTORIZATION, COLLABORATIVE FILTERING, HYBRID RECOMMENDATION MODEL, LEARNING TO RANK, EMBEDDINGS, DSSM METHOD, RECURENT NEURAL NETWORKS Object of research: recommendation systems implemented by deep learning methods. Purpose: comparison of the efficiency of methods which provide recommendations using neural networks with existing recommendation methods. Used models: SVD matrix factorization model, ALS matrix factorization model, LightFM matrix factorization model, DSSM model, GRU model, GRU4Rec model, Caser model. Results: a system for providing recommendations using DSSM and GRU methods using Python with ability to include different architectures in the models, the accuracy of the models was evaluated according to a number of quality metrics. As part of further research, it is proposed to consider the performance of the implemented methods on other samples representing a wider range of data representations, as well as experiments with architectures built into the models. | uk |
| dc.format.extent | 149 с. | uk |
| dc.identifier.citation | Панаско, В. Є. Система надання рекомендацій методами глибоких нейронних мереж : дипломна робота ... бакалавра : 124 Системний аналіз / Панаско Віталій Євгенович. – Київ, 2023. – 149 с. | uk |
| dc.identifier.uri | https://ela.kpi.ua/handle/123456789/60457 | |
| dc.language.iso | uk | uk |
| dc.publisher.place | Київ | uk |
| dc.subject | рекомендаційна система | uk |
| dc.subject | глибинне навчання | uk |
| dc.subject | матрична факторизація | uk |
| dc.subject | колаборативна фільтрація | uk |
| dc.subject | гібридна рекомендаційна модель | uk |
| dc.subject | задача ранжування | uk |
| dc.subject | латентне представлення | uk |
| dc.subject | метод dssm | uk |
| dc.subject | послідовні нейронні мережі | uk |
| dc.subject | recommendation system | uk |
| dc.subject | deep learning | uk |
| dc.subject | matrix factorization | uk |
| dc.subject | collaborative filtering | uk |
| dc.subject | hybrid recommendation model | uk |
| dc.subject | learning to rank | uk |
| dc.subject | embeddings | uk |
| dc.subject | dssm method | uk |
| dc.subject | recurent neural networks | uk |
| dc.title | Система надання рекомендацій методами глибоких нейронних мереж | uk |
| dc.type | Bachelor Thesis | uk |