Search academic texts

Information × Registration Number 2120U008172, Article popup.category Бакалаврська робота Title Аналіз та порівняння рекомендаційних систем колаборативної фільтрації (AI translated) popup.author Станков Іван СергійовичStankov Ivan Serhiiovych popup.publication 01-06-2020 popup.source_user Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» popup.source https://ela.kpi.ua/handle/123456789/37131 popup.publisher Київ Description Предмет дослідження — пакет оцінок необхідних для вивчення такого класу алгоритмів, як рекомендаційні системи та система їх тестування. Об’єкт дослідження - різні види рекомендаційних систем колаборативної фільтрації. Мета роботи - побудова вичерпного набору ключових алгоритмів колаборативної фільтрації та їх оцінок, задля отримання чіткого розуміння цього класу алгоритмів. Методи дослідження - побудова 5 різних алгоритмів колаборативної фільтрації та тестів, для їх аналізу та порівняння. Побудовано набір унікальних тестів роботи рекомендаційних систем в залежності від кількості даних, смаків користувача та інших параметрів. Проведено детальний огляд конкретних алгоритмів та їх результативності в залежності від різних умов. Користуючись розробленим програмним забезпеченням, було порівняно ключові види систем колаборативної фільтрації. Використання результатів цієї роботи дозволяє покращити роботу вже існуючих систем та полегшити створення нових. The subject of research is a package of evaluation metrics for recommendation systems and their testing system. The object of research is different types of recommended systems of collaborative filtration. The purpose of the work is to build a comprehensive set of key algorithms for collaborative filtering and their estimates, in order to obtain a clear understanding of this class of algorithms. Research methods - construction of 5 different algorithms of collaborative filtering and tests, for their analysis and comparison. A set of unique tests of recommendation systems depending on the amount of data, user tastes and other parameters had been built. A detailed review of specific algorithms and their effectiveness depending on different conditions ​was proposed​. Using the developed software, the key types of collaborative filtering systems were compared. Using the results of this work improved performance of existing systems and better development of new ones can be achieved. popup.nrat_date 2025-11-05 Close