Search

We live in a time characterized by excessive information overload. For example, a user looking for music, goods or videos does not intend to spend a lot of time and delve into the complexities of the search process. In such situations, it is advisable to use recommender systems. Such systems provide a personalized list of items that best meet the user's information needs. Music is one of the most popular areas where the recommender system is used. When visiting any music streaming service (such as Spotify), the user immediately sees a list of recommended songs that they might like. Such systems are quite common on the Web and allow users to save time and effort when searching for the necessary material. Under the hood of such recommender systems, different algorithms can be used, which can be divided into three large groups: collaborative filtering, content filtering, and hybrid filtering. Each algorithm has its own features and use cases, which are considered in a more detailed description of these methods. After a detailed analysis, we designed our own music recommendation system. An algorithm for creating the system has been developed, which is based on a preliminary analysis of already existing algorithms. To describe the entities of the music recommendation system and their relations, we designed a corresponding class diagram., Ми живемо в час, коли людина просто переповнена інформацією. І, коли людина заходить на сайт пошуку музики, якогось товару чи відео, найменше, що вона хоче, – це поглибитись у ці вебресурси на довгий час, щоб знайти те, що їй потрібно. В таких ситуаціях на допомогу приходять рекомендаційні системи. Рекомендаційна система надає персоналізований список тих елементів, що мають сподобатися користувачу найбільше. Однією із найпопулярніших сфер, де застосовується рекомендаційна система, є музична. Заходячи на будь-який музичний стрімінговий сервіс (наприклад, Spotify), одразу бачиш список рекомендованих пісень, що можуть тобі сподобатися. Такі рекомендаційні системи розповсюджено по всьому інтернету і дозволяють зекономити нам багато часу та нервів при пошуку необхідного матеріалу. Під такими рекомендаційними системами можуть використовуватися різні алгоритми, які можна поділити на три великі групи: колаборативна фільтрація, фільтрація за вмістом та гібридна фільтрація. Кожен алгоритм має свої особливості і випадки використання, що розглядається більш детально в описі цих методів.Також після детального аналізу було спроєктовано власну музичну рекомендаційну систему. Було створено власний алгоритм побудови музичної рекомендаційної системи, оснований на попередньому аналізі вже існуючих алгоритмів. Було створено діаграму класів, в якій знаходяться необхідні сутності для реалізації музичної рекомендаційної системи на основі вподобань користувача.

Дана робота мiстить 128 сторiнок, 34 iлюстрацiй, 10 таблиць, 22 джерел за перелiком посилань. Як i багато iнших напрямкiв iнформацiйних технологiй, рекомендацiйнi системи стрiмко розвиваються i активно дослiджуються iз року в рiк. Це призводить до появи багатьох методiв i алгоритмiв побудови рекомендацiй. Внаслiдок чого постало критичне питання у вiдсутностi єдиного пiдходу до оцiнки їх ефективностi, що призводить до нерепродуктивних та несправедливих результатiв їх порiвняння. У данiй роботi дослiджено метрики якостi в задачах побудови рекомендацiй, класифiковано i проаналiзовно фактори впливу на ефективнiсть систем рекомендацiй. На основi алгоритмiв нейромережевої колаборативної фiльтрацiї, варiацiйного автоенкодера у задачах колаборативної фiльтрацiї i графової нейронної мережi колаборативної фiльтрацiї проведено експериментальне порiвняння якостi рекомендацiй використовуючи вiдкритi набори даних MovieLens, LastFM, NetflixPrize. Сформована стратегiя пришвидшує вiдбiр оптимальних моделей i їх якiсне порiвняння. This work contains 128 pages, 34 illustrations, 10 tables, 22 sources according to the list of references. Like many other areas of information technology, recommender systems are rapidly developing and actively researched from year to year. This leads to the appearance of many methods and algorithms for building recommendations. As a result, a critical issue arose in the absence of a single approach to assessing their effectiveness, which leads to non-reproducible and unfair results of their comparison. In this paper, the quality metrics in the tasks of building recommendations were investigated, the factors affecting the effectiveness of recommendation systems were classified and analyzed. Based on algorithms of neural network collaborative filtering, variational autoencoder for collaborative filtering and graph neural network for collaborative filtering, an experimental comparison of the quality of recommendations was carried out using open datasets MovieLens, LastFM, NetflixPrize. The formed strategy accelerates the selection of optimal models and their qualitative comparison.

This work is devoted to the analysis of algorithmic support of multimedia content recommender systems and the development of a web service toincrease the efficiency of learning foreign languages using a recommender system that personalized the selection of educational content for the user.To form a list of necessary multimedia content, the main criteria of the recommender system were selected, the basic needs of users were identified,which the system should solve, since increasing the efficiency of learning a foreign language is achieved not only by choosing teaching methods, butalso by watching multimedia content, namely news, films, educational videos, clips, etc. Therefore, in order to form a list of the necessary multimediacontent, the main criteria of the recommender system were formed, the main needs of users were identified, which the system must solve. From theside of the method for implementing algorithmic support, various types of data filtering were considered, from modern technical methods to librariesto ensure the functionality of the system, and the algorithm based on hybrid filtering was chosen, in which known user ratings are used to predict thepreferences of another user. Functional requirements have been developed and a web service has been proposed that allows a comprehensive impact onuser learning when learning a foreign language, software implementation of which is made using Java Script, Python and additional libraries. Thisimplementation allows you to build a process for tracking changes in user requirements and transfer information to the database (DB) and, afteranalyzing the input data, change the proposed multimedia content to the user. In the course of further research, it is planned to conduct practicalexperiments, taking into account the specifics of certain methods of teaching foreign languages and the use of statistical data to assess the effectivenessof the algorithm of the proposed recommender system., Данная работа посвящена анализу алгоритмического обеспечения рекомендательных систем мультимедийного контента и разработке вебсервиса для повышения эффективности изучения иностранных языков с помощью рекомендательной системы, которая персонализированноподбирает обучающий контент для пользователя. Для формирования перечня необходимого мультимедийного контента были выбраныосновные критерии рекомендательной системы, выявлены основные потребности пользователей, которые должна решать система,поскольку повышение эффективности изучения иностранного языка достигается не только путем выбора методов обучения, но ипросмотром мультимедийного контента, а именно новостей, фильмов, обучающих роликов, клипов и т.д. Со стороны метода реализацииалгоритмического обеспечения были рассмотрены различные виды фильтрации данных от современных технических методов до библиотекдля обеспечения функциональности системы и выбран алгоритм на основе гибридной фильтрации, при котором используются известныеоценки пользователей для прогнозирования предпочтений другого пользователя. Разработаны функциональные требования и предложенвеб-сервис, позволяющий комплексно воздействовать на обучение пользователя при изучении иностранного языка, программная реализациякоторого выполнена с помощью языков Java Script, Python и дополнительных библиотек. Эта реализация позволяет построить процессотслеживания изменений в пользовательских требованиях и передавать информацию в базу данных (БД) и после анализа входных данныхизменять предлагаемый мультимедийный контент пользователю. В ходе дальнейших исследований запланировано проведение практическихэкспериментов с учетом специфики тех или иных методов обучения иностранных языков и применения статистических данных для оценкиэффективности работы алгоритма предлагаемой рекомендательной системы., Дана робота присвячена аналізу aлгoритмічнoгo забезпечення рекомендаційних систем мультимедійного контенту та розробці вебсервісудля підвищення ефективності вивчення іноземних мов за допомогою рекомендаційної системи, яка персоналізовано підбирає навчальнийконтент для користувача. Для формування переліку необхідного мультимедійного контенту були обрані основні критерії рекомендаційноїсистеми, виявлені основні потреби користувачів, які повинна вирішувати система, оскільки підвищення ефективності вивчення іноземноїмови досягається не тільки шляхом вибору методів навчання, але й переглядом мультимедійного контенту, а саме новин, фільмів,навчальних роликів, кліпів та ін. З боку методу реалізації aлгoритмічнoгo забезпечення були розглянути різні види фільтрації даних відсучасних технічних методів до бібліотек для забезпечення функціональності системи та обрано алгоритм на основі гібридної фільтрації, приякому використовуються відомі оцінки користувачів для прогнозування уподобань іншого користувача. Розроблені функціональні вимоги тазапропоновано вебсервіс, який уможливлює комплексний вплив на навчання користувача при вивченні іноземної мови, програмнареалізація якого виконана за допомогою мов Java Script, Python та додаткових бібліотек. Ця реалізація дозволяє побудувати процесвідстеження змін стосовно вимог користувача та передавати інформацію в базу даних (БД) і після аналізу вхідних даних змінюватизапропонований мультимедійний контент користувачу. Під час подальших досліджень заплановано проведення практичних експериментів зурахуванням специфіки тих чи інших методів навчання іноземних мов і застосування статистичних даних для оцінки ефективності роботиалгоритму запропонованої рекомендаційної системи.

Дана робота присвячена аналізу aлгoритмічнoгo забезпечення рекомендаційних систем мультимедійного контенту та розробці вебсервісу для підвищення ефективності вивчення іноземних мов за допомогою рекомендаційної системи, яка персоналізовано підбирає навчальний контент для користувача. Для формування переліку необхідного мультимедійного контенту були обрані основні критерії рекомендаційної системи, виявлені основні потреби користувачів, які повинна вирішувати система, оскільки підвищення ефективності вивчення іноземної мови досягається не тільки шляхом вибору методів навчання, але й переглядом мультимедійного контенту, а саме новин, фільмів, навчальних роликів, кліпів та ін. З боку методу реалізації aлгoритмічнoгo забезпечення були розглянути різні види фільтрації даних від сучасних технічних методів до бібліотек для забезпечення функціональності системи та обрано алгоритм на основі гібридної фільтрації, при якому використовуються відомі оцінки користувачів для прогнозування уподобань іншого користувача. Розроблені функціональні вимоги та запропоновано вебсервіс, який уможливлює комплексний вплив на навчання користувача при вивченні іноземної мови, програмна реалізація якого виконана за допомогою мов Java Script, Python та додаткових бібліотек. Ця реалізація дозволяє побудувати процес відстеження змін стосовно вимог користувача та передавати інформацію в базу даних (БД) і після аналізу вхідних даних змінювати запропонований мультимедійний контент користувачу. Під час подальших досліджень заплановано проведення практичних експериментів з урахуванням специфіки тих чи інших методів навчання іноземних мов і застосування статистичних даних для оцінки ефективності роботи алгоритму запропонованої рекомендаційної системи. This work is devoted to the analysis of algorithmic support of multimedia content recommender systems and the development of a web service to increase the efficiency of learning foreign languages using a recommender system that personalized the selection of education al content for the user. To form a list of necessary multimedia content, the main criteria of the recommender system were selected, the basic needs of users were identified, which the system should solve, since increasing the efficiency of learning a foreign language is achieved not only by choosing teaching methods, but also by watching multimedia content, namely news, films, educational videos, clips, etc. Therefore, in order to form a list of the necessary multimedia content, the main criteria of the recommender system were formed, the main needs of users were identified, which the system must solve. From the side of the method for implementing algorithmic support, various types of data filtering were considered, from modern technical methods to libraries to ensure the functionality of the system, and the algorithm based on hybrid filtering was chosen, in which known user ratings are used to predict the preferences of another user. Functional requirements have been developed and a web service has been proposed that allows a comprehensive impact on user learning when learning a foreign language, software implementation of which is made using Java Script, Python and additional libraries. This implementation allows you to build a process for tracking changes in user requirements and transfer information to th e database (DB) and, after analyzing the input data, change the proposed multimedia content to the user. In the course of further research, it is planne d to conduct practical experiments, taking into account the specifics of certain methods of teaching foreign languages and the use of statistical data to assess the effectiveness of the algorithm of the proposed recommender system.

The paper reviews the effectiveness evaluations of recommender video content systems, describes the adaptations of the method for determining the similarity of information units by analyzing user preference data. The similarity determination method implements the Item-Item approach of collaborative filtering, which is one of the most popular approaches to building modern recommendation systems. The initial data for collaborative filtering when constructing IPTV recommendation systems are data on user activity when viewing units of video content (information clusters). To form objective criteria for evaluating the effectiveness of recommender systems of video content, it is taken into account that data is collected both explicitly (ratings, surveys, ratings) and implicitly (logging user actions). The method of determining similarity allows to solve the problem of cold start, i.e. issuing recommendations in the absence of detailed information about the user, but if there are implicit data on the routes of other visitors to the system. Among the objective indicators of the recommendation system for evaluation, the accuracy of the recommendations and their completeness, as well as a generalizing assessment, were selected. To assess the economic effect of the operation of the recommendation system, a classification of customers according to the intensity of the use of recommendations is given. The objective function of the economic effect of the exploitation recommendatory is given. The economic effect and the effectiveness of using the recommendation system are clarified. Criteria for deciding on the advisability of using a recommender system are discussed: operational cost and economic effect for the settlement period. The criteria for deciding on the advisability of optimizing the recommender system used or introducing a new one with setting priorities among them in accordance with the goals of strategic planning taking into account the risks of adaptation and adjustment are discussed., В процессе работы рассмотрены оценки эффективности рекомендательных систем видеоконтента, описанные адаптации метода определения сходства информационных единиц с помощью анализа данных о предпочтениях пользователей. Метод определения сходства реализует подход Item-Item коллаборативной фильтрации, который является одним из самых популярных подходов к построению современных рекомендательных систем. Исходными данными для коллаборативной фильтрации при построении рекомендательных систем IPTV данные о пользовательской активности при просмотре единиц видеоконтента. Для формирования объективных критериев оценки эффективности рекомендательных систем видеоконтента учитывается, что данные собираются как явным (оценки, опросы, рейтинги), так и неявным образом (протоколирование действий пользователей). Метод определения сходства позволяет решить проблему холодного старта, то есть выдачи рекомендаций в период отсутствия подробной информации о пользователе, но при наличии явных данных о маршрутах других посетителей системы IPTV. Среди объективных показателей работы рекомендательной системы для оценки выбраны точность рекомендаций и их полнота, а также обобщающая их оценка. Для оценки экономического эффекта эксплуатации рекомендательной системы задана классификация клиентов по интенсивности использования рекомендаций. Заданная целевая функция экономического эффекта эксплуатации рекомендательной системы. Выяснен экономический эффект и эффективность использования рекомендательной системы. Обсуждены критерии принятия решения о целесообразности использования рекомендательной системы: эксплуатационная стоимость и экономический эффект за расчетный период. Обсуждены критерии принятия решения о целесообразности оптимизации рекомендательной системы, используемой или внедрение новой с задачей среди них приоритетов в соответствии с целями стратегического планирования с учетом рисков адаптации и подгонки., У роботи розглянуто оцінки ефективності рекомендаційних систем відеоконтенту, описані адаптації методу визначення подібності інформаційних одиниць за допомогою аналізу даних про уподобання користувачів. Метод визначення подібності реалізує підхід Item-Item коллаборатівной фільтрації, який є одним з найбільш популярних підходів до побудови сучасних рекомендаційних систем. Вихідними даними для коллаборатівной фільтрації при побудові рекомендаційних систем IPTV є дані про користувача активності при перегляді одиниць відеоконтенту. Для формування об'єктивних критеріїв оцінки ефективності рекомендаційних систем відеоконтенту враховується, що дані збираються як явним (оцінки, опитування, рейтинги), так і неявним чином (протоколювання дій користувачів). Метод визначення подібності дозволяє вирішити проблему холодного старту, тобто видачі рекомендацій в період відсутності докладної інформації про користувача, але при наявності неявних даних про маршрути інших відвідувачів системи IPTV. Серед об'єктивних показників роботи рекомендаційної системи для оцінки обрані точність рекомендацій і їх повнота, а також узагальнююча їх оцінка. Для оцінки економічного ефекту експлуатації рекомендаційної системи задана класифікація клієнтів по інтенсивності використання рекомендацій. Задана цільова функція економічного ефекту експлуатації рекомендаційної системи. З'ясовано економічний ефект і ефективність використання рекомендаційної системи. Обговорено критерії прийняття рішення про доцільність використання рекомендаційної системи: експлуатаційна вартість і економічний ефект за розрахунковий період. Обговорено критерії прийняття рішення про доцільність оптимізації рекомендаційної системи, що використовується, або впровадження нової із завданням серед них пріоритетів відповідно до цілей стратегічного планування з урахуванням ризиків адаптації і підгонки.

Представлено вирішення задачі удосконалення рекомендаційної веборієнтованої системи за рахунок колаборативної фільтрації для надання рекомендацій користувачу вебсервісу зі статтями на тему ігор. В ході досліджень систематизовано сукупність етапів розробки та удосконалення рекомендаційної веборієнтованої системи. Представлена структура бази даних та метод колаборативної фільтрації з запропонованою мірою подібності для формування рекомендацій користувачам. Використано попереднє структурування статей за категоріями для виявлення вподобань користувачів та надання рекомендацій. Використання колаборативної фільтрації з запропонованою мірою подібності дозволило підвищити кількість переглянутих користувачами статей. The solution to the problem of improving the recommendation web-oriented system through the use of collaborative filtering to provide recommendations to users of the web service with articles on gaming topics is presented. In the course of the research, a set of stages of development and improvement of the recommendatory web-oriented system was systematized. The structure of the database and the method of collaborative filtering using the proposed similarity measure to form recommendations for users are presented. The preliminary structuring of articles by categories was used to identify user preferences and provide recommendations. The use of collaborative filtering with the proposed similarity measure allowed us to increase the number of articles viewed by users.

Дана магістерська дисертація присвячена розробленню та реалізації програмного методу формування рекомендацій рекламних оголошень на основі аналізу вподобань користувача. В дисертації проаналізовано існуючі методи формування рекомендацій, які використовуються в рекомендаційних системах, визначено вимоги до розроблюваного методу, обґрунтовано підібрано найбільш доцільний для використання гібридний метод формування рекомендацій та на його основі розроблено модифікований гібридний метод формування рекомендацій. Модифікація гібридного методу полягає у використанні трьох різних методів формування рекомендацій і лінійного об’єднання їх результатів роботи. Практична цінність отриманих в роботі результатів полягає в тому, що запропонований метод дозволить отримувати користувачам персоналізовані рекомендації рекламних оголошень, а рекламним платформам підвищити ефективність своїх оголошень. This master's thesis is devoted to the development and implementation of a software method of forming recommendations for advertisements based on the analysis of user preferences. In the thesis the existing methods of formation of recommendations which are used in recommendation systems are analyzed, requirements to the developed method are defined, the most expedient for use hybrid method of formation of recommendations is reasonably selected and on its basis the modified hybrid method of formation of recommendations is developed. The modification of the hybrid method is to use three different methods of forming recommendations and linearly combining their results. The practical value of the results obtained in the work is that the proposed method will allow users to receive personalized recommendations for advertisements, and advertising platforms to increase the effectiveness of their ads.

Структура та обсяг роботи. Пояснювальна записка дипломного проекту складається з п’ятьох розділів, містить 39 таблиць, 11 рисунків, 1 додаток, 8 джерел. Дипломний проект присвячений створенню інформаційної системи підтримки сервісу розповсюдження фотознімків. Розглянуті базові принципи побудови, розробки та тестування системи. У розділі «Загальні положення» описується предметне середовище дипломного проекту, наводяться цілі дипломного проекту та задачі, які необхідно вирішити в процесі розробки. Описано функціональну модель, процеси діяльності та наведено функціональні вимоги до програмного продукту. У розділі «Інформаційне забезпечення» наведено структуру бази даних та описано сутності, які фігурують в процесах системи. У розділі «Програмне та технічне забезпечення» наводяться та описуються засоби розробки, які були використанні для розробки системи. Наводяться вимоги до технічного забезпечення. У розділі «Технологічний розділ» описуються цілі та методи тестування програмного забезпечення. У цьому ж розділі наведено керівництво користувача. Structure and scope of work. The explanatory note of the diploma project consists of five sections, contains 39 tables, 11 drawings, 1 supplement, 8 sources. The diploma project is dedicated to the creation of an information support system for the photo distribution service. The basic principles of building, developing and testing the system are considered. The section "General provisions" describes the subject environment of the diploma project, provides the goals of the diploma project and the tasks that need to be solved in the development process. The functional model, activity processes, and functional requirements for the software product are described. The section "information support" shows the structure of the database and describes the entities that appear in the system processes. The section "Software and hardware" provides and describes the development tools that were used to develop the system. Requirements for technical support are given. The "Technology section" describes the goals and methods of software testing. The user's guide is also provided in this section.

Дипломна робота: 81 с., 7 табл., 27 рис., 2 дод., 21 джерел. Мета роботи – розробка рекомендаційної системи для вибору фільмів. Об'єкт дослідження – рекомендаційні системи товарів. Предмет дослідження – методи та алгоритми формування рекомендацій. Методи дослідження – методи колаборативної фільтрації, контентні методи та їх поєднання. У роботі проаналізовано методи формування рекомендацій, проведений огляд існуючих рекомендаційних систем. Результатом роботи є запропонований власний алгоритм формування рекомендацій на основі дворівневої моделі, яка поєднує підходи контентної та колаборативної фільтрації. Практичним результатом роботи є розробка рекомендаційної системи відео для користувачів онлайн кінотеатру компанії Megogo. Результати даної роботи рекомендовано використовувати у випадках, коли необхідно сформувати рекомендацію у вигляді списку товарів. Шляхи подальшого розвитку предмету дослідження – доцільно звернути увагу на проблему “холодного старту” та спосіб оцінки якості моделі шляхом отримання явного відгуку від користувачів. Thesis: 81 p., 27 fig., 7 tabl., 2 appendixes, 21 sources. The object of the research is the goods recommender system. The subject of the research is the methods and algorithms for forming recommendations. Methods of research - methods of collaborative filtering, content methods and their combination. The paper analyzes the methods of forming recommendations and reviews the existing recommender systems. The result of the work is the proposed own algorithm for the formation of recommendations based on a two-tier model, which combines the approaches of content and collaborative filtration. The practical result is the development of a recommendation video system for users of the online cinema company Megogo. The results of this work are recommended to be used in cases when it is necessary to formulate a recommendation in the form of a list of goods. Ways of further development of the subject of research - it is advisable to pay attention to the problem of "cold start" and how to assess the quality of the model by obtaining explicit feedback from users.

Стаття присвячена актуальному питанню сегментації споживачів і позиціювання товарів та послуг. Розглянуті базові алгоритми класифікації та кластеризації. Розроблено алгоритм, який являється комбінацією кластеризації методом k-середніх та колаборативної фільтрації методом коефіцієнта кореляції Пірсона he article is attributed to the actualproblem of the process of consumer segmentation and the positioning of goods and services. The basic classification and clustering algorithms are reviewed. An algorithm has been developed that is a combination of clustering using the k-means method and collaborative filtering using the Pearson correlation coefficient method. Статья посвящена актуальному вопросу сегментации потребителей и позиционирования товаров и услуг. Рассмотрены базовые алгоритмы классификации и кластеризации. Разработан алгоритм, который является комбинацией кластеризации методом k-средних и колаборативной фильтрации методом коэффициента корреляции Пирсона.

Структура та обсяг роботи. Пояснювальна записка дипломного проекту складається з 4 розділів, містить 12 рисунків, 25 таблиць, 6 додатків, 15 джерел. Дипломний проект присвячений аналізу рекомендаційних систем та розробці рекомендаційної системи навчальних матеріалів для навчальних закладів. Цілі розробки – зменшить інформаційне перевантаження студентів, рекомендуючи відповідний навчальний матеріал, що допоможе досягти їхніх цілей. В рамках дослідження використовуються рекомендаційні методи та запропонований метод рекомендації навчальних матеріалів студентам є науковою новизною дослідження, що отримали відображення у розробленій системі. Автоматичний збір даних системою, їх аналіз та формування рекомендацій, як для студентів, стосовно навчальних матеріалів. Викладачам, рекомендуючи додати навчальні матеріали з тих тем, що цікаві студентам. Structure and scope of work. The explanatory note of the diploma project consists of 4 chapters, containing 12 figures, 25 tables, 6 applications, 15 sources. The diploma project is devoted to the analysis of recommendation systems and the development of a reference system for teaching materials for educational institutions. The development goals will reduce student information overload by recommending appropriate training material to help them achieve their goals. The research uses recommendation methods and the proposed method of recommending study materials to students is a scientific novelty of research, that was reflected in the developed system. Automatic data collection by the system, their analysis and the recommendation of study materials for students. Teachers, recommending adding educational materials on those topics that are of interest to students.

Магістерська дисертація: 94 с., 19 рис., 27 табл., 1 додаток , 36 джерел. Актуальність. Сьогодні, одним з найбільш цінних ресурсів людства – є інформація. Вона займає одну з центральних ролей у процесі формування сучасного суспільства. З виникненням Інтернету – основним сховищем інформації стала саме Всесвітня Мережа. Але з часом, її об’єми почали зростати значно швидше, ніж обчислювальні можливості, для обробки даних. Кількість інформації в Інтернеті настільки велика, що людина просто не здатна знайти те, що їй дійсно потрібно. У зв’язку з цим актуальною є розробка спеціальної системи, яка буде сама пропонувати користувачу деякі елементи, яка вона буде вважати доцільними. Така система буде формувати свої рекомендації на основі поведінки користувачів в минулому та їх вподобань. Це дозволить користувачам зекономити великий об’єм часу для пошуку необхідного контенту. Зв'язок роботи з науковими програмами, планами, темами. Робота виконувалась на кафедрі автоматизованих систем обробки інформації та управління Національного технічного університету України «Київський політехнічний інститут ім. Ігоря Сікорського» в рамках теми «Ефективні методи колаборативної фільтрації, засновані на аналізі поведінки користувачів, відображеної в "big data"» Мета дослідження – підвищення ефективності роботи рекомендаційної системи. Для досягнення мети необхідно виконати наступні завдання: - виконати огляд існуючих методів та алгоритмів роботи рекомендаційних систем; - здійснити порівняльний аналіз різних методів та алгоритмів роботи рекомендаційних систем; - формалізувати задачу формування рекомендацій на основі гібридного підходу; - розробити ефективну модель формування рекомендацій на основі гібридного підходу; 4 - розробити прототип рекомендаційної системи книг, використовуючи вищезазначені підходи; - виконати аналіз отриманих результатів. Об’єкт дослідження – процес формування особистих рекомендацій на основі вподобань користувачів. Предмет дослідження – методи та моделі формування особистих рекомендацій. Методи дослідження, застосовані у даній роботі, базуються на методах інформаційного пошуку. Наукова новизна одержаних результатів полягає у застосуванні гібридного підходу до фільтрації даних для формування особистих рекомендацій. Розроблено підхід, який поєднує в собі фільтрацію даних, на основі вмісту з колаборативною та демографічною фільтрацію. Публікації. Матеріали роботи опубліковані в тезах міжнародної науково- практичній конференції «Математичне та імітаційне моделювання систем МОДС 2018» а також у рамках Всеукраїнська науково-практична конференція молодих вчених та студентів «Інформаційні системи та технології управління» (ІСТУ-2018) Master's dissertation: 94 pages., 19 Fig., 37 tabl., 1 addition, 36 sources. Topicality. Today, one of the most valuable resources of mankind is information. It occupies one of the central roles in the process of formation of modern society. With the advent of the Internet - the main storage of information has become the World Wide Web. But over time, its volumes began to grow much faster than computing capabilities for data processing. The amount of information on the Internet is so great that a person simply can not find what she really needs. In this regard, the development of a special system is urgent, which will recommend to user some elements that she deems advisable. Such a system will formulate its recommendations based on the behavior of users in the past and their preferences. This will allow users to save a large amount of time to find the content they need. Relationship of work with scientific programs, plans, themes. The work was carried out at the Department of Automated Systems for Information Processing and Management of the National Technical University of Ukraine "Kyiv Polytechnic Institute. Igor Sikorsky" within the theme «Effective methods of collaborative filtering based on the analysis of user behavior, reflected in "big data"» Purpose of the study is to improve the effectiveness of the recommendation system. To achieve the purpose, we need to accomplish following tasks: - review the existing methods and algorithms of the recommendation systems; - carry out a comparative analysis of various methods and algorithms of the recommendation systems; - formalize the problem of forming recommendations based on the hybrid approach; - develop an effective model for recommendation computing based on a hybrid approach; 6 - develop a prototype of the books recommendation system by using the aforementioned approaches; - perform the analysis of the results. The object of the research - the process of creating personal recommendations based on the preferences of users. Subject of research - methods and models for the formation of personal recommendations. The research methods used in this paper are based on the methods of information retrieval. The scientific novelty of the results is applying a hybrid approach to data filtering for the formation of personal recommendations. An approach is developed that combines data filtering based on content with collaborative and demographic filtering. Publications: the materials of the work are published in the theses of the international scientific and practical conference " Mathematical and imitation systems modelling MISM 2018" as well as within the framework of the All-Ukrainian Scientific and Practical Conference of Young Scientists and Students “The actual problems of informatization of management decisions” (APIMD 2018).

Актуальність. На сьогоднішній день все більш стає популярною ідея створення інтернет-сервісів, які не потребують будь-якої оплати за використання. Це допомагає розширити кількість користувачів, оскільки не всі користувачі готові, або можуть оплачувати використання сервісом. Для цього все більше сервісів використовують влаштовану в них рекламу як головне джерело прибутку. Це дозволяє сервісам бути незалежними та не втрачати ідентичності. Враховуючи це, є дуже актуальною ідея розробки системи, яка буде показувати таргетовану рекламу користувачам, які користуються даним сервісом. Це дозволить рекламодавцям менше витрачати грошей на рекламу та дозволить користувачам отримувати по-справжньому актуальну для них рекламу. Зв'язок роботи з науковими програмами, планами, темами. Робота виконувалась на кафедрі автоматизованих систем обробки інформації та управління Національного технічного університету України «Київський політехнічний інститут ім. Ігоря Сікорського» в рамках теми «Ефективні методи колаборативної фільтрації, засновані на аналізі поведінки користувачів, відображеної в "big data"». Мета дослідження – покращення релевантності рекомендованої реклами. Для досягнення мети необхідно виконати наступні задачі: - виконати огляд існуючих аналогічних систем; - здійснити аналіз та порівняння різних методів вирішення задачі підбору рекомендацій; - сформувати задачу підбору рекомендацій; - створити модель відбору рекомендацій реклами; - розробити прототип системи адміністрування рекламною кампанією; - виконати аналіз отриманих результатів. Об’єкт дослідження – процес формування рекламного пакету з урахуванням особистих характеристик користувача. Предмет дослідження – методи та моделі формування рекомендованого рекламного пакету. Методи дослідження, застосовані у даній роботі, базуються на методах колаборативної фільтрації. Наукова новизна одержаних результатів полягає у застосуванні модифакованого методу колаборативної фільтрації, який використовує набори ключових слів замість рейтингів. Публікації. Матеріали роботи опубліковані у рамках Всеукраїнської науково-практична конференція «Інформаційні системи та технології управління» (ІСТУ-2018). Topicality. Today an idea of creation free-to-use Internet services, that does not need any charge for using, becomes more and more popular. It helps to increase number of potential users, because not all users are ready or able to pay for usage of internet services. To make it possible to create free services, creators are making built-in target advertising, which helps to earn money and stay independent company and do not lose identity in comparing to other services. Based on this reasons, there is a need to create system that will make as relevant advertisement recommendation to users, which are using system, as possible. It will help advertisers to spend less money for advertising and will show advertising to customers in which they are really interested. Relationship of work with scientific programs, plans, themes. The work was carried out at the Department of Automated Systems for Information Processing and Management of the National Technical University of Ukraine "Kyiv Polytechnic Institute. Igor Sikorsky "within the theme" «Effective methods of collaborative filtering based on the analysis of user behavior, reflected in "big data"». Purpose of the study is to improve the relevance of recommended advertisement. To achieve the purpose, there is need to solve tasks: - make a review of existing analogue systems; - make an analysis and compare different methods of making advertisement recommendations; - formalize task of making recommendations; - create model of effective recommendation picking based on collaborative filtering method; - create a prototype of a system for administrating advertising campaign; - perform analysis of results. The object of the research - process of forming advertisement package, based on user’s personal characteristics. Subject of research - methods and models for forming of a recommended advertisement. The research methods used in this work are based on collaborative filtering methods. The scientific novelty of the results is based on usage of modificated collaborative filtering method, which uses keywords list instead of ratings. Publications. The materials of this work published in the Ukrainian Scientific and Practical Conference “The actual problems of informatization of management decisions” (APIMD 2018).

У роботі розглянуті основні види рекомендаційних систем у мережі Інтернет, засновані на методах контентної та колаборативної фільтрації. Розглянуто способи збору даних про користувачів з веб-ресурсів, необхідні для формування рекомендацій. Досліджено методи побудови класифікаторів для контентної фільтрації. Також досліджено способи обчислення коефіцієнту подібності користувачів або об’єктів у колаборативній фільтрації. The paper considers the main types of recommender systems on the Internet, based on the methods of, content-based and collaborative filtering. The article examines ways to collect user data from web-resources that is needed to formulate recommendations. Methods of constructing classifiers for content-based filtering were investigated. Methods of calculating the similarity coefficient of users or objects in collaborative filtering are also researched.

Робота виконана на 78 сторінках, містить 22 ілюстрації, 21 таблиця. При підготовці використовувалась література з 20 джерел. Актуальність теми. Людство не стоїть на місці. Постійно створюються нові продукти, знімаються нові фільми та створюється нова музика. Конкуренція тільки зростає і кожен намагається потрапити на ринок продемонструвавши свій продукт, його переваги та можливості. Це призводить до того, що на сьогодні ми маємо величезний вибір альтернатив. Йдучи на роботу слухаємо декілька з сотень тисяч пісень, ввечері дивимось один з великої кількості фільмів та купуємо певний товар з поміж безлічі інших. Чим далі, тим важче людині робити вибір, тож програми допомагають скоротити кількість альтернатив, обравши для нас лише ті товари, що підходять саме для нас. Алгоритми колаборативної фільтрації широко використовуються різними сайтами та інтернет-сервісами для різноманітних завдань, таких як рекомендації фільмів та музики, рекомендації нових друзів в соціальних мережах та навіть простий пошук інформації. Мета та задачі дослідження. Метою роботи є дослідження та реалізація алгоритмів колаборативної фільтрації, їх аналіз та порівняння. Пошук ситуацій, у яких той чи інший алгоритм працює найкраще. Розгляд можливості комбінації декількох алгоритмів. Рішення поставлених завдань та досягнуті результати В ході виконання магістерської роботи було досліджено алгоритми колаборативної фільтрації, а саме Item-Based, User-Based, NMF, PMF, BPMF, Reg SVD та Slope One. Було створено програму, в якій було реалізовано перераховані алгоритми. За допомогою створеної програми було проведено аналіз та порівняння алгоритмів. Було проведено аналіз точності алгоритмів, досліджено як алгоритми працюють з даними різного рівня розрідженості. Проведено дослідження швидкості роботи алгоритмів. Об’єкт досліджень. Рекоментадійні системи. Предмет досліджень. Алгоритми колаборативної фільтрації, які можна застосовувати в рекомендаційних системах. Методи досліджень. Для вирішення проблеми в даній роботі використовуються методи аналізу і синтезу, системного аналізу, порівняння, логічного узагальнення результатів. Наукова новизна. Наукова новизна роботи полягає у порівнянні великої кількості алгоритмів колаборативної фільтрації, які раніше не порівнювалися та у пошуці ситуацій, у яких той чи інший алгоритм проявляє себе найкращим чином. Практичне значення одержаних результатів. Отримані результати можуть використовуватись у майбутніх дослідженнях за напрямком дослідження алгоритмів колаборативної фільтрації. Також, за допомогою результатів даної роботи можна обрати вдалий підхід до побудови оптимальної рекомендаційної системи. Work carried out on 78 pages containing 22 figures, 21 tables. The paper was written with references to 20 different sources. Topicality Humanity does not stand still. Constantly creating new products, filming new movies and creating new music. Competition only extends and everyone tries to enter the market by demonstrating their product, its benefits, and opportunities. This leads to the fact that today we have a large choice of alternatives. When going to work, we listen one of the thousands of songs, in the evening we watch one of a large number of films and buy a certain item from among many others. So far, harder and harder a person to make a choice, so the programs help reduce the number of alternatives for us choosing only those products that are suitable for us. Collaborative filtering algorithms are widely used by various sites and Internet services for a variety of tasks such as movie and music recommendations, new friends' recommendations in social networking and even simple information searches. Purpose. The purpose of the work is to research and implement collaborative filtration algorithms, their analysis and comparison. Searching for situations in one or another algorithm works better. Considering the combination of several algorithms. Solution. In the course of the master's thesis collaborative filtration algorithms, namely Item-Based, User-Based, NMF, PMF, BPMF, Reg SVD and Slope One were investigated. A program was created in which the listed algorithms were implemented. The created program analyzed and compared algorithms. An analysis of the accuracy of the algorithms was performed, and the algorithms were investigated based on the data of different levels of density. The study of the performance of the algorithms is carried out. Object of research. Collaborative filtration. Subject of research. Collaborative filtering algorithms that can be used in recommendation systems. Research methods. To solve the problem in this paper were used methods of analysis and synthesis, system analysis, comparison, logical generalization of results. Scientific novelty. The scientific novelty of the work is to compare a large number of collaborative filtration algorithms and to find situations in which one or another algorithm manifests itself in the best way. The practical value of the results. The obtained results can be used in future research in the direction of research of collaborative filtration algorithms. Also, with the help of the results of this work you can choose a successful approach to building an optimal recommendation system. Робота исполнена на 78 страницах, содержит 22 иллюстрации, 21 таблицы. При подготовке использовалась литература из 20 источников. Актуальность темы. Человечество не стоит на месте. Постоянно создаются новые продукты, снимаются новые фильмы и создается новая музыка. Конкуренция только возрастает и каждый пытается попасть на рынок показав свой продукт, его преимущества и возможности. Это приводит к тому, что на сегодня мы имеем огромный выбор альтернатив. Идя на работу слушаем несколько из сотен тысяч песен, вечером смотрим один из огромного множества фильмов и покупаем определенный товар из множества других. Чем дальше, тем труднее человеку делать выбор, поэтому программы помогают сократить количество альтернатив, выбрав для нас только те товары, которые подходят именно нам. Алгоритмы коллаборативной фильтрации широко используются разными сайтами и интернет-сервисами для разнообразных задач, таких как рекомендации фильмов и музыки, рекомендации новых друзей в социальных сетях и даже простой поиск информации. Цели и задачи исследования. Целью работи является исследование и реализация алгоритмов коллаборативной фильтрации, их анализ и сравнение. Поиск ситуаций, в которых тот или иной алгоритм работает наилучше. Рассмотрение возможности комбинации нескольких алгоритмов. Решения поставленных задач и полученные результаты. В ходе выполнения магистерской работы было исследовано алгоритмы коллаборативной фильтрации, а именно Item-Based, User-Based, NMF, PMF, BPMF, Reg SVD и Slope One. Было создано программу, в которой было реализовано перечисленные алгоритмы. При помощи созданной программы было призведено анализ и сравнение алгоритмов. Было проведено анализ точности алгоритмов, изучено как алгоритмы работают с даннымы разного уровня разреженности. Произведено исследование быстродействия работы алгоритмов. Объект исследования. Коллаборативная фильтрация. Предмет исследования. Алгоритмы коллаборативной фильтрации, которые можна применить в рекомендационных системах. Методы исследований. Для решения проблемы в данной работе использовались методы анализа и синтеза, системного анализа, сравнения, логического обобщения результатов. Научная новизна. Научная новизна работы состоит в сравнении большого количества алгоритмов коллаборативной фильтрации, которые раньше не сравнивались и в поиске ситуацый, в которых той или иной алгоритм показывает себя лучшим образом. Практическое значение полученных результатов Полученные результаты могут быть использованы в будущих исследованиях в направлении исследований алгоритмов коллаборативной фильтрации. Также, при помощи результатов этой работы можна выбрать удачный подход для построения оптимальной рекомендационной системы.

Робота присвячена методам колаборативної фільтрації на основі сусідства. Визначені їх ключеві етапи та варіанти модифікації для використання з непрямими рейтингами. Проведений порівняльний аналіз для фільтрації за користувачами та об’єктами. Точність рекомендаційних алгоритмів визначалась за MAP (Mean Average Precision) критерієм. Дослідження проводились з даними для більш ніж 1 мільйона користувачів, які були опубліковані в рамках конкурсу Million Data Song Challenge. The article is devoted to neighborhood-based collaborative filtering methods. Attention is drawn to key steps of such methods. It is proposed modifications of user-based and item-based filtering methods for using them with implicit feedback. For comparison different algorithms, MAP (Mean Average Precision) was used. All experiments are based on data of music listening history for more than 1 million users. Data were provided in the scope of Million Data Song Challenge.