Search

Магістерська дисертація: 114 с., 25 табл., 10 рис., 19 джерел, 1 додаток. Об’єктом дослідження є задача генерації контекстуальних рекомендацій. Предмет дослідження – алгоритми та моделі видачі контекстуальних рекомендацій. Мета дослідження полягає у аналізі алгоритмів видачі рекомендацій, що базуються на моделях матричної факторизації, а також алгоритмів, що використовують аппарат мереж глибокого навчання. Запропонована та розроблена модель рекомендаційних систем, що використовують аппарат глибоких перехресних нейронних мереж та мереж на основі механізму уваги. Дані моделі здатні швидко оброблювати послідовності дій користувача з об’єктами, враховуючи порядок виконаної дії, ознаку дії, характеристику суб’єкта та об’єкта, а також пов’язані з об’єктом суміжні позиції. Проведено порівняння запропонованої рекомендаційної системи з існуючими методами проектування рекомендаційних систем: машинами факторизації на основі байєсівського персоналізованого ранжування, машинами факторизації на основі методів змінних найменших квадратів та нейронними мережами на основі моделей довгої короткострокової пам’яті. Master’s thesis: 114 p., 25 tab., 10 fig., 19 references, 1 appendix. The object of following study is a contextual recommendation retrieval problem. The subjects of current thesis are models and algorithms of contextual recommendation retrieval. The purpose of study is to conduct research on effectiveness of different approaches to solve contextual recommendation tasks, such as matrix factorization models and deep learning models. In following research new recommender system modelling approach is proposed and implemented. That model type leverages architecture of Deep and Cross Networks with addition of Attention Networks. Proposed model type can quickly process user interaction data and infer knowledge of latter interactions taking into consideration interaction type, interaction order, features of items and users, and leverages previously gained knowledge of item-to-item relations. During the study, model comparisons were made. In particular, proposed model variations were compared with recommender system approaches based on matrix factorization machines, such as Bayesian Personalized Ranking and Alternating Least Squares, and deep learning based models, in particular Long Short-Term Memory network.