Третиник, Віолета ВікентіївнаБондарчук, Олександр Олександрович2024-05-222024-05-222024Бондарчук, О. О. Математичне та програмне забезпечення системи для рекомендації відеоконтенту : магістерська дис. : 113 Прикладна математика / Бондарчук Олександр Олександрович. – Київ, 2024. – 131 с.https://ela.kpi.ua/handle/123456789/66840Дисертацію виконано на 83 аркушах, вона містить 2 додатки та перелік посилань на використані джерела з 20 найменувань. У роботі наведено 21 рисунків та 5 таблиць. Актуальність теми. З погляду стрімкої цифрової трансформації та зростаючого обсягу відеоконтенту в Інтернеті, рекомендаційні системи стають ключовим інструментом для користувачів і платформ. З одного боку, рекомендаційні системи допомагають користувачам знаходити відповідний та цікавий контент в масиві доступних опцій. Це особливо важливо в умовах інформаційного перенасичення, коли велика кількість відеоконтенту може призвести до перевантаження та втрати орієнтації. З іншого боку, для платформ і постачальників відеоконтенту рекомендаційні системи є ефективним інструментом збільшення залученості та задоволення користувачів. Здатність точно рекомендувати вміст, який відповідає індивідуальним смакам та інтересам, може значно підвищити якість взаємодії з платформою та підвищити лояльність користувачів. Ураховуючи динаміку розвитку технологій, таких як штучний інтелект та глибоке навчання, рекомендаційні системи для відеоконтенту стають більш точними та персоналізованими. Це відкриває нові перспективи для покращення якості рекомендацій та розширення можливостей відеоіндустрії. Зв’язок роботи з науковими програмами, планами, темами. Дисертаційна робота виконувалась згідно з планом науково-дослідних робіт кафедри прикладної математики Національного технічного університету України «Київський політехнічний інститут імені Ігоря Сікорського». Мета і задачі дослідження. Метою роботи є дослідження та розробка ефективних алгоритмів для рекомендаційних систем, що дозволяють вибирати рекомендації з прийнятним рівнем релевантності в умовах великої кількості користувачів за неповної або відсутньої інформації про їх переваги, а також розробка архітектури системи, яка використовує такі алгоритми. Для досягнення вказаної мети було розв’язано такі задачі: • Розроблена та реалізована автоматизована система рекомендацій для підбору відеоконтенту користувачам. • Була вирішена проблема «холодного старту» (підбору рекомендацій для нових користувачів та нових фільмів). Об’єкт дослідження є база відеоконтенту компанії, історичні дані про відеоконтент, користувачів та їх вподобання, методи побудови рекомендаційних систем, існуючі реалізації рекомендаційних систем. Предметом дослідження є розробка математичного та програмного забезпечення системи для рекомендацій відеоконтенту на основі гібридних методів побудови рекомендаційних систем (створення та оптимізація моделей, інтеграція в веб-застосунок). Методи досліджень. Аналіз даних відеоконтенту, реалізація гібридної рекомендаційної системи, математичне моделювання впливу параметрів на результат, порівняльний аналіз з іншими методами, а також використання метрик для оцінки ефективності системи. Наукова новизна одержаних результатів складається з таких положень: − розроблено ефективне впровадження гібридного методу рекомендаційної системи для відеоконтенту, що використовує динамічний підхід до обчислення параметрів та успішно вирішує проблему "холодного старту". Практичне значення одержаних результатів. Розроблена система дозволяє користувачам користуватися рекомендаційною системою для відеоконтенту через веб-застосунок, отримувати релевантні пропозиції для переглядів та взаємодіяти з користувачем, давати можливість оцінювати переглянутий контент та зі збільшенням оцінок користувача, покращувати рекомендації. Апробація результатів дисертації. Основні положення й результати роботи представлено на XVІ науково-практичній конференції магістрантів та аспірантів «Прикладна математика та комп’ютинг – ПМК-2022» (Київ, 16-18 листопада 2023 р.) та опубліковані у збірнику тез за результатами конференції. Публікації. Результати дисертації викладено в 1 науковій праці: − 1 публікація у тезах конференцій.131 c.ukрекомендаційні системимашинне навчанняметоди побудови рекомендаційних системрелевантні рекомендаціїметрики оцінки точностідані відеоконтенту та користувачівмоделі глибокого навчанняMaster Thesis004.62:510.22:004.023