Реєстраційний номер
0826U005186, Дисертація доктора філософії
На здобуття
Доктор філософії
Дата захисту
07-09-2026
Статус
Захищена
Назва роботи
Дослідження та розробка методів рекомендаційної системи з використанням алгоритмів нечіткої логіки та генетичного алгоритму
Здобувач
Гребенюк Микита Олександрович,
Керівник Ситнікова Поліна Едуардівна
Опонент Струков Володимир Михайлович
Опонент Москаленко Валентина Володимирівна
Рецензент Нечипоренко Аліна Сергіївна
Рецензент Перова Ірина Геннадіївна
Установа, організація, у вченій раді якої відбудеться/відбувся захист
Харківський національний університет радіоелектроніки
Опис
Актуальність дослідження. Стрімкий розвиток цифрових платформ сформував нові вимоги до систем автоматизованого відбору контенту: користувачі медіасервісів, маркетплейсів і освітніх платформ стикаються з каталогами обсягом мільйонів одиниць і фізично нездатні самостійно відібрати релевантний матеріал. Технологічною відповіддю стали рекомендаційні системи, серед яких домінуючим є клас колаборативної фільтрації. Цей клас має фундаментальне структурне обмеження — розрідженість матриці оцінок, що ускладнює обчислення стандартних мір подібності та загострює проблему холодного старту. Перспективним напрямом є гібридні архітектури з компактними моделями користувача, нечіткими метриками подібності та еволюційною оптимізацією. Однак існуючі реалізації нечітко-генетичного підходу мають низку обмежень: семантичну неоднозначність Індикатора зацікавленості категорією, масштабну залежність метрики нечіткої відстані, оптимізацію виключно за абсолютною похибкою без урахування якості ранжування та фіксованість параметрів функцій належності, що задаються експертно. Відкритою залишається задача одночасної коеволюційної адаптації вагових коефіцієнтів і параметрів функцій належності нечітких множин у рамках єдиного еволюційного циклу. Усунення цього протиріччя визначає актуальність дисертаційного дослідження.
Метою дисертаційної роботи є підвищення якості персоналізованих рекомендацій в умовах розрідженості матриці оцінок шляхом розроблення методів і моделей гібридної рекомендаційної системи на основі нечіткої логіки та коеволюційної оптимізації структурно-параметричних характеристик гібридного профілю користувача.
Об'єктом дослідження є процес персоналізованої рекомендації у системах з гібридними моделями користувача в умовах розрідженості матриці оцінок.
Предметом дослідження є моделі та методи гібридної колаборативної фільтрації на основі нечіткої логіки та коеволюційної оптимізації параметрів гібридного профілю користувача.
Наукова новизна проведеного дослідження полягає в наступному.
1. Уперше запропоновано метод коеволюційного налаштування гетерогенної хромосоми, який, на відміну від послідовного налаштування та від відомих коеволюційних схем, що поєднують функції належності з нечіткими правилами, забезпечує одночасну адаптацію вагових коефіцієнтів ознак і параметрів функцій належності у компактній гібридній моделі користувача зі збереженням семантичної цілісності, що підвищує якість ранжування рекомендацій та зберігає стабільність в умовах холодного старту.
2. Удосконалено показник зацікавленості категорією шляхом введення штрафного коефіцієнта негативного досвіду, який, на відміну від базової формули, враховує негативно оцінені об'єкти категорії і знижує значення індикатора пропорційно частці негативного досвіду, що усуває семантичну неоднозначність між «байдужістю» та «антипатією»; удосконалений показник позначається як Індикатор зацікавленості категорією (CII).
3. Удосконалено метрику нечіткої відстані між гібридними профілями шляхом заміни масштабно-залежного множника на нормалізуючий коефіцієнт, що забезпечує масштабну інваріантність метрики, дозволяє формувати множину сусідів за відсутності спільно оцінених об'єктів та розширює покриття каталогу порівняно з класичними мірами подібності.
4. Удосконалено метод генетичної оптимізації вагових коефіцієнтів гібридної моделі шляхом розроблення композитної функції придатності з регуляризацією, що, на відміну від оптимізації за середньою абсолютною похибкою, включає метрику ранжування до цільового функціоналу та штраф за відхилення ваг від рівноважних значень, що одночасно знижує похибку прогнозу та підвищує якість ранжування.
Дата реєстрації
2026-09-11
Додано/оновлено в НРАТ
2026-09-11 / 2026-09-28
