Використання алгоритмів машинного навчання при створенні рекомендацій для web-платформ

Abstract

Робота складається зі вступу, трьох розділів, висновків, списку використаних джерел з 33 посилань та додатків. Основний зміст роботи викладено на 76 сторінках і містить 35 рисунків та 10 таблиць. Об’єкт дослідження є процеси використання алгоритмів машинного навчання для побудови рекомендаційних систем, спрямовані на персоналізацію контенту для користувачів веб-платформ. Предметом дослідження є методи та алгоритми машинного навчання, що застосовуються для створення рекомендацій у веб-платформах, а також їх оцінка, оптимізація та практичне впровадження. Метою роботи є дослідження алгоритмів машинного навчання для рекомендаційних систем та розробка рекомендацій щодо впровадження найефективнішого алгоритму у веб-платформу, що забезпечує високий рівень персоналізації та ефективності роботи. У першому розділі розглянуто основні поняття та методи рекомендаційних систем, зокрема колаборативну фільтрацію, фільтрацію вмісту та гібридні підходи. Проведено аналіз алгоритмів, таких як градієнтний бустинг, матрична факторизація та швидке дерево рішень, і обґрунтовано їх вибір для дослідження. У другому розділі досліджено середовище для впровадження алгоритмів, проаналізовано стан автоматизації рекомендаційних систем, обрано тренувальний набір даних і метрики для оцінки, а також визначено інструменти реалізації. Серед можливих інструментів для розробки обрано мову програмування C# та середовище Visual Studio 2022. У третьому розділі розроблено систему. За результатами аналізу встановлено, що матрична факторизація є найефективнішою для використання у веб-платформі, демонструючи найкращі показники швидкодії та стабільності.