Тип работы:
 Предмет:
 Язык работы:


Нейросетевая экспертная система для решения проблем прогнозирования

Работа №159399

Тип работы

Магистерская диссертация

Предмет

информатика

Объем работы112
Год сдачи2022
Стоимость5450 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено
44
Не подходит работа?

Узнай цену на написание


ПЕРЕЧЕНЬ СОКРАЩЕНИЙ И ОБОЗНАЧЕНИЙ 5
ВВЕДЕНИЕ 6
1 Анализ предметной области 8
1.1 Анализ существующих туристических платформ 8
1.1.1 Booking.com 8
1.1.2 OneTwoTrip 9
1.1.3 Ostrovok.ru 10
1.2 Анализ существующих подходов составления рекомендаций 11
1.2.1 Матричная факторизация 13
1.2.2 Нейронные сети 15
1.2.3 Байесовские классификаторы 21
1.3 Опыт использования рекомендательных механизмов 24
1.4 Выводы по разделу 25
2 Проектирование рекомендательной системы 26
2.1 Исходные данные для построения системы рекомендательных
сервисов 28
2.2 Описание выходных данных рекомендательной системы 36
2.3 Описание алгоритма прогнозирования 36
2.4 Выводы по разделу 44
3 Результаты работы рекомендательной системы 45
3.1 Описание API получения исходных данных 45
3.2 Описание API рекомендательной системы 75
3.3 Тестирование рекомендательной системы 78
3.4 Выводы по разделу 88
ЗАКЛЮЧЕНИЕ 89
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 90
ПРИЛОЖЕНИЕ A Листинги программы 92
ПРИЛОЖЕНИЕ B Презентация 100

6

ВВЕДЕНИЕ
Многочисленные онлайн-платформы электронной коммерции по
предоставлению товаров или услуг нацелены на увеличение прибыли за счет
повышения уровня востребованности целевой системы у потребителей. Для
достижения данной цели подобные сервисы предлагают
персонализированные подборки объектов интереса, которые отвечают
заданным требованиям. Задача формирования релевантных списков решается
путем создания рекомендательных систем, прогнозирующих предпочтения
потребителей на основе коллективных паттернов поведения.
Информация, необходимая для составления списка рекомендаций,
может быть получена явно, путем сбора оценок пользователей, или неявно, т.е.
на основе его взаимодействия с системой. Кроме того, анализируются
персональные данные потребителей, с последующей их классификацией по
группам, для формирования прогнозов. В то же время данный подход имеет
отрицательный аспект, заключающийся в однообразии подборок, наиболее
подходящих под запрос, в следствии чего возникает проблема
информационного пузыря, суть которой состоит в постоянно
представляющейся одного и того же результата, в случае повторного
обращения к системе с аналогичным запросом.
Данный вопрос свойственен в основном крупным информационным
системам с постоянно пополняющейся базой объектов интереса и с
неизменяемыми предпочтениями субъектов. Актуальность решения проблемы
информационного пузыря обусловлено тем, что пользователь ограничивает
себя определенного вида товарами или услугами, что в конечном итоге
приводит к потере интереса к различным типам контента целевой платформы,
а следовательно, к потере потенциальных клиентов.
Объект исследования: объект пользовательского интереса
(туристические маршруты, события, локации).
7

Предмет исследования: рекомендательный сервис для решения задачи
прогнозирования туристических маршрутов на основе предпочтений
пользователя.
Цель исследования: разработка рекомендательной системы
туристических маршрутов с целью сокращения временных затрат
пользователя на поиск туристического маршрута, удовлетворяющего его
требованиям, а также повышения востребованности данных объектов за счет
добавления в подборку совершенно новых или не просмотренных ранее.
Задачи исследования:
− анализ критериев классификации туристических маршрутов,
− выявление методов, необходимых для классификации
туристических маршрутов и используемых для формирования списка
релевантных объектов интереса на основе предпочтений пользователя,
− разработка рекомендательной системы туристических маршрутов.
Актуальность (новизна) исследования: создание такого алгоритма
ранжирования, позволяющего классифицировать объекты интереса на основе
предпочтений пользователя и при этом решающего проблему
информационного пузыря.
Практическая и научная значимость: модификация существующих
алгоритмов прогнозирования посредством применения корректирующих
коэффициентов для решения проблемы информационного пузыря.
Границы исследования: основной акцент ставится на изучении
подходов составления рекомендаций и создании алгоритма,
удовлетворяющего описанным ранее требованиям. В границы исследования
не входят такие вопросы, как способы обмена данными в рекомендательной
системе, а также способы хранения информации в базах данных.

Возникли сложности?

Нужна помощь преподавателя?

Помощь в написании работ!
ДИПЛОМНЫЕ МАГИСТЕРСКИЕ ДИССЕРТАЦИИ
КУРСОВЫЕ СТАТЬИ ВКР

В ходе выполнения работы было проведено исследование
существующих туристических платформ и современных подходов к
формированию релевантных подборок, а также была проанализирована
проблема информационного пузыря. На основание проделанного анализа
была разработана рекомендательная система туристических маршрутов,
обеспечивающая сокращение временных затрат пользователя на поиск
туристического маршрута и повышение востребованности данных объектов за
счет добавления в подборку совершенно новых или не просмотренных ранее.
Основные положения и выводы данной диссертации базировались на
анализе подходов к формированию рекомендательных подборок в рамках
хоздоговорной научно-исследовательской работы «Исследование способов
построения рекомендательной системы туристических маршрутов».


90

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
1. Jannach D. et al. Recommender Systems: An Introduction. –
Cambridge University Press, 2010, p. 360.
2. Chen Y., Zhao X., de Rijke M. Top-N recommendation with high-
dimensional side information via locality preserving projection //Proceedings of the
40th International ACM SIGIR Conference on Research and Development in
Information Retrieval. – 2017. – С. 985-988.
3. Николенко С. Рекомендательные системы //СПб: Изд-во Центр
Речевых Технологий. – 2012 – 53 с.
4. Adomavicius G., Tuzhilin A. Toward the next generation of
recommender systems: A survey of the state-of-the-art and possible extensions
//IEEE transactions on knowledge and data engineering. – 2005. – Т. 17. – №. 6. –
С. 734-749.
5. Gerbrands J. J. On the relationships between SVD, KLT and PCA
//Pattern recognition. – 1981. – Т. 14. – №. 1-6. – С. 375-381.
6. Hidasi B. et al. Session-based recommendations with recurrent neural
networks //arXiv preprint arXiv:1511.06939. – 2015.
7. Bottou L. Stochastic gradient descent tricks //Neural networks: Tricks
of the trade. – Springer, Berlin, Heidelberg, 2012. – С. 421-436.
8. Звягин Л. С. Метод байесовских сетей и ключевые аспекты
байесовского моделирования //Международная конференция по мягким
вычислениям и измерениям. – Федеральное государственное автономное
образовательное учреждение высшего образования Санкт-Петербургский
государственный электротехнический университет ЛЭТИ им. ВИ Ульянова
(Ленина), 2019. – Т. 1. – С. 30-34.
9. Aggarwal C. C. et al. Data mining: the textbook. – New York : springer,
2015. – Т. 1.
91

10. Ricci F., Rokach L., Shapira B. Introduction to recommender systems
handbook //Recommender systems handbook. – Springer, Boston, MA, 2011. – С.
1-35.
11. Chapman P. et al. CRISP-DM 1.0: Step-by-step data mining guide
//SPSS inc. – 2000. – Т. 9. – С. 13.
12. Marbán O. et al. Toward data mining engineering: A software
engineering approach //Information systems. – 2009. – Т. 34. – №. 1. – С. 87-107.
13. Моргунов Е. П., Рогова Е. В., Лузанова П. В. PostgreSQL. Основы
языка SQL //учеб. пособие/ЕП Моргунов. – 2018.
14. Горнаков С. Осваиваем популярные системы управления сайтом
(CMS). – Litres, 2022 – 336 c.

Введение магистерской диссертации
Введение магистерской диссертации
Часть второй главы

Работу высылаем на протяжении 30 минут после оплаты.



Подобные работы


©2025 Cервис помощи студентам в выполнении работ
.