📄Работа №129616
Тема: Анализ и разработка рекомендательной системы
Характеристики работы
Тип работы
Дипломные работы, ВКР
Предмет
Информатика и вычислительная техника
Объем:
39 листов
Год:
2017
Просмотров:
208
4750
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
Введение 3
Постановка задачи 6
Обзор литературы 8
Глава 1. Особенности известных рекомендательных систем 10
Глава 2. Методы построения рекомендаций 15
2.1. Метод k-ближайших соседей 15
2.2. Метод SVD 18
Глава 3. Практические результаты 22
Заключение 30
Выводы 31
Список литературы 32
Приложение
Постановка задачи 6
Обзор литературы 8
Глава 1. Особенности известных рекомендательных систем 10
Глава 2. Методы построения рекомендаций 15
2.1. Метод k-ближайших соседей 15
2.2. Метод SVD 18
Глава 3. Практические результаты 22
Заключение 30
Выводы 31
Список литературы 32
Приложение
📖 Аннотация
Работа посвящена анализу и разработке рекомендательной системы для решения проблемы информационной перегрузки и сложности выбора среди множества товаров и услуг, когда традиционные методы, основанные на советах или жестких фильтрах, оказываются неэффективными. Актуальность исследования обусловлена необходимостью повышения точности и скорости формирования персонализированных предложений, что критически важно для таких областей, как электронная коммерция, где качество рекомендаций напрямую влияет на удовлетворенность клиентов и экономические показатели. В ходе исследования проведен сравнительный анализ ключевых методов коллаборативной фильтрации: показана неприменимость метода сингулярного разложения (SVD) из-за высокой ошибки прогноза, превышающей 20%, и установлено, что метод k-ближайших соседей демонстрирует наилучшую эффективность при параметре k=20. Основным результатом является разработка модифицированной реализации данного метода, направленной на оптимизацию вычислительных затрат; модификация включает использование специальной евклидовой метрики и предварительное выделение базы активных пользователей для ускорения поиска аналогичных профилей. Практическая значимость работы заключается в возможности непосредственного внедрения предложенного алгоритма в платформы интернет-ретейла и медиасервисов для повышения качества персонализированных рекомендаций. Результаты исследования основаны на анализе современных подходов к построению рекомендательных систем, рассмотренных в научной литературе. Разработанная модификация метода k-ближайших соседей позволяет строить более эффективные и быстрые рекомендательные сервисы, что способствует решению задачи повышения пользовательского опыта и конверсии в цифровых средах.
📖 Введение
В настоящее время нас окружает огромное количество товаров и услуг, а также большие объемы информации, на обработку которой уходит много времени. Такое разнообразие объектов имеет свои плюсы и минусы: с одной стороны, каждый человек может выбрать наиболее подходящий ему объект; с другой стороны, выбрать становится сложнее. Какие же методы используют люди, чтобы все-таки выбрать новый объект среди такого множества?
Например, можно спросить совета у другого человека: друга, специалиста в этой области, консультанта, продавца. Но такой метод нельзя назвать быстрым и точным, ведь рекомендация основана на личном мнении другого человека. Если не задействовать других людей, как же облегчить себе задачу и прийти к нужному решению?
Можно добавить ограничения на поиск, т.е. указать конкретные характеристики, которыми должен обладать объект, тем самым сузив количество рассматриваемых объектов. Такой процесс, безусловно, сужает поиск, но число объектов все равно может остаться очень большим. Задавать «более грубые» значения характеристик (например, узкий диапазон стоимости объекта, точный год выпуска и др.) или определять больший перечень фиксированных свойств (например, размеры, материал и др.), тем самым максимально сужая поиск, не всегда является возможным. Во-первых, при поиске нового объекта человек сам не всегда четко понимает, что же он ищет; во-вторых, сужение поиска в принципе не всегда является нужным.
Так появляется необходимость в построении системы, которая будет выделять объекты не только по фиксированным свойствам, но и с использованием дополнительных данных. Поэтому создаются так называемые рекомендательные системы, которые используют различные принципы построения рекомендаций в зависимости от поставленной задачи.
Основу рекомендательных систем составляют программы, которые формируют рекомендации для пользователей исходя из определенной информации о возможной системе их предпочтений, а также исходя из информации об объектах. Такие системы используются, например, в процессе выбора нового фильма, музыки или книги. Рекомендательные системы полезны не только их непосредственным пользователям, но и владельцам объектов, среди которых пользователь производит выбор. Действительно, рекомендательные системы широко используются, например, в интернет-магазинах, где точность прогноза особенно важна. Чем точнее сформирована рекомендация, тем довольнее останется клиент, что может увеличить прибыль компании. Также рекомендательные системы помогают увеличить объем продаж: предлагают сопутствующие товары или товары из другой области, но которые могут заинтересовать данного пользователя исходя из его предпочтений.
Многие известные по всему миру сайты уже используют рекомендательные системы: Ozon, eBay, Amazon, Кинопоиск, IMDb, Pandora и др., но ни одна из систем не может гарантировать 100% точность сформированной рекомендации. Методы построения прогноза нуждаются в усовершенствовании, а для этого целесообразно провести сравнительный анализ различных типов существующих рекомендательных систем.
Таким образом, разработка рекомендательных систем является актуальной задачей в настоящее время, в связи с чем и была выбрана темой для данной работы. Анализ различных типов рекомендательных систем и методов построения рекомендаций также является важным предметом для исследования, так как выбор метода в конкретной задаче позволяет увеличить точность рекомендаций.
Данная работа связана с вопросами формирования рекомендательных систем для выбора фильмов. В работе рассматривается группа пользователей и набор фильмов, а также оценки фильмов этими пользователями. Учитывая оценки, которые конкретный пользователь поставил части фильмов, прогнозируется его оценка фильмам, которые он ранее не оценивал. Оценка формируется с использованием двух разных подходов: методом k- ближайших соседей с различными мерами сходства пользователей, а также методом приближения матрицы оценок с использованием сингулярного разложения матрицы с различным рангом приближенной матрицы.
Например, можно спросить совета у другого человека: друга, специалиста в этой области, консультанта, продавца. Но такой метод нельзя назвать быстрым и точным, ведь рекомендация основана на личном мнении другого человека. Если не задействовать других людей, как же облегчить себе задачу и прийти к нужному решению?
Можно добавить ограничения на поиск, т.е. указать конкретные характеристики, которыми должен обладать объект, тем самым сузив количество рассматриваемых объектов. Такой процесс, безусловно, сужает поиск, но число объектов все равно может остаться очень большим. Задавать «более грубые» значения характеристик (например, узкий диапазон стоимости объекта, точный год выпуска и др.) или определять больший перечень фиксированных свойств (например, размеры, материал и др.), тем самым максимально сужая поиск, не всегда является возможным. Во-первых, при поиске нового объекта человек сам не всегда четко понимает, что же он ищет; во-вторых, сужение поиска в принципе не всегда является нужным.
Так появляется необходимость в построении системы, которая будет выделять объекты не только по фиксированным свойствам, но и с использованием дополнительных данных. Поэтому создаются так называемые рекомендательные системы, которые используют различные принципы построения рекомендаций в зависимости от поставленной задачи.
Основу рекомендательных систем составляют программы, которые формируют рекомендации для пользователей исходя из определенной информации о возможной системе их предпочтений, а также исходя из информации об объектах. Такие системы используются, например, в процессе выбора нового фильма, музыки или книги. Рекомендательные системы полезны не только их непосредственным пользователям, но и владельцам объектов, среди которых пользователь производит выбор. Действительно, рекомендательные системы широко используются, например, в интернет-магазинах, где точность прогноза особенно важна. Чем точнее сформирована рекомендация, тем довольнее останется клиент, что может увеличить прибыль компании. Также рекомендательные системы помогают увеличить объем продаж: предлагают сопутствующие товары или товары из другой области, но которые могут заинтересовать данного пользователя исходя из его предпочтений.
Многие известные по всему миру сайты уже используют рекомендательные системы: Ozon, eBay, Amazon, Кинопоиск, IMDb, Pandora и др., но ни одна из систем не может гарантировать 100% точность сформированной рекомендации. Методы построения прогноза нуждаются в усовершенствовании, а для этого целесообразно провести сравнительный анализ различных типов существующих рекомендательных систем.
Таким образом, разработка рекомендательных систем является актуальной задачей в настоящее время, в связи с чем и была выбрана темой для данной работы. Анализ различных типов рекомендательных систем и методов построения рекомендаций также является важным предметом для исследования, так как выбор метода в конкретной задаче позволяет увеличить точность рекомендаций.
Данная работа связана с вопросами формирования рекомендательных систем для выбора фильмов. В работе рассматривается группа пользователей и набор фильмов, а также оценки фильмов этими пользователями. Учитывая оценки, которые конкретный пользователь поставил части фильмов, прогнозируется его оценка фильмам, которые он ранее не оценивал. Оценка формируется с использованием двух разных подходов: методом k- ближайших соседей с различными мерами сходства пользователей, а также методом приближения матрицы оценок с использованием сингулярного разложения матрицы с различным рангом приближенной матрицы.
✅ Заключение
В ходе проведенных в работе исследований получены следующие основные результаты, которые выносятся на защиту:
1) Показано, что метод приближения матрицы оценок ее сингулярным представлением уменьшенной размерности (метод SVD) не применим к рассматриваемой задаче, поскольку дает большую ошибку (более 20%).
2) Проведен анализ применимости метода ^-ближайших соседей: установлено, что он дает наилучший результат с коэффициентом k=20 среди рассмотренных вариантов.
3) Предложена модифицированная реализация метода k-ближайших соседей для экономии времени вычислений. Она выполнена с использованием модифицированной меры Эвклида с выделением базы действующих пользователей, среди которых производится отбор группы наиболее похожих вариантов.
1) Показано, что метод приближения матрицы оценок ее сингулярным представлением уменьшенной размерности (метод SVD) не применим к рассматриваемой задаче, поскольку дает большую ошибку (более 20%).
2) Проведен анализ применимости метода ^-ближайших соседей: установлено, что он дает наилучший результат с коэффициентом k=20 среди рассмотренных вариантов.
3) Предложена модифицированная реализация метода k-ближайших соседей для экономии времени вычислений. Она выполнена с использованием модифицированной меры Эвклида с выделением базы действующих пользователей, среди которых производится отбор группы наиболее похожих вариантов.
ИЛИ
Поиск аналога
📕 Список литературы
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.