Кот, Анатолій ТарасовичШаріпов, Михайло Олексійович2025-09-042025-09-042025Шаріпов, 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.https://ela.kpi.ua/handle/123456789/75788Дипломна 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).129 с.ukнапівкероване гіперпараметрівмашинне навчанняоптимізація задача класифікаціїперсоналізовані рекомендаціїглибоке навчанняповедінкові даніsemi-supervised machine learninghyperparameter optimizationclassification problempersonalised recommendationsdeep learningbehavioural dataBachelor Thesis