Тип работы:
 Предмет:
 Язык работы:


Формирование персонализированного предложения на основе личных предпочтений клиента

Работа №18969

Тип работы

Бакалаврская работа

Предмет

информатика

Объем работы27
Год сдачи2017
Стоимость5750 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено
304
Не подходит работа?

Узнай цену на написание


РЕФЕРАТ 3
ВВЕДЕНИЕ 4
1 Рекомендательные системы 5
1.1 Примеры рекомендательных систем 5
1.1.1 Рекомендательные системы на основе признаков описаний 5
1.1.2 Рекомендательные системы коллаборативной фильтрации 6
1.1.2.2 Анамнестические алгоритмы коллаборативной фильтрации 8
1.1.2.2.1 Метрики 10
1.1.2.3 Модельные алгоритмы коллаборативной фильтрации 10
1.1.2.3.1 Сингулярное разложение 11
1.4 Значение качества рекомендаций 12
2 Разработка программного обеспечения 13
2.1 Исходные данные 13
2.2 Аналоги программного продукта 14
2.3 Решение проблемы холодного старта 14
2.4 Работы пользователя с системой 15
3 Апробация программы и результаты исследования 17
3.1 Апробация программного продукта 17
ЗАКЛЮЧЕНИЕ 19
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 20
ПРИЛОЖЕНИЕ А Кластеризация данных 22
ПРИЛОЖЕНИЕ Б Графический интерфейс приложения 23



В настоящее время в интернете пользователь обрабатывает большое количество информации, и важную роль играют системы, которые помогают пользователям ориентироваться в данной информации. Пользователи не способны проанализировать всю информацию, которые может его заинтересовать. Для этого активно используются автоматизированные системы, которые способны анализировать большое количество информации в короткие промежутки времени. Такие системы предоставляют пользователю персонализированную рекомендацию. Для получения качественной рекомендации, система должна иметь достаточное количество информации о пользователе.
Объектом исследования работы является профили пользователей, которые пользователь заполняет при регистрации в приложении. Профиль содержит в себе:
1. Фамилия, имя;
2. Пол;
3. Возраст;
4. Рейтинг к фильмам (не менее 20).
В результате система имеет базовую информацию для составления рекомендацию пользователю.
Предметом исследования является методология создания рекомендаций. Различные подходы для создания рекомендаций, алгоритмы и методы, необходимо учитывать для получения наиболее точного результат исследования.
Целью данной работы является разработка рекомендательной системы фильмов.
Задачи
1. Провести анализ существующих алгоритмов для составления рекомендаций;
2. Разработать рекомендательную систему для фильмов.

Возникли сложности?

Нужна помощь преподавателя?

Помощь в написании работ!
ДИПЛОМНЫЕ МАГИСТЕРСКИЕ ДИССЕРТАЦИИ
КУРСОВЫЕ СТАТЬИ ВКР

В работе описана реализации рекомендательной системы для фильмов, представляющая из себя пользовательское приложения для создания рекомендаций.
На основании предпочтений пользователя и его предшествующих оценках фильмов, система может предоставить активному пользователю, персонализированное предложение, которые наиболее похоже к его интересам.



1. Middleton S. Ontology-Based Recommender Systems : Handbook on Ontologies / Middleton S., De Roure D., Shadbolt N. ; Edt. by S.Staab, R.Studer, Springer, 2009. - 796 c.
2. Machine Learning for AI [Электронный ресурс]: В. В. Стрижов.
«Информационное моделирование» — Режим доступа:
http: //strij ov.com/files/eksamen/l_svd.pdf
3. O'Mahony M., Hurley N., Kushmerick N., Silvestre G. Collaborative recommendation: A robustness analysis / O'Mahony M., Hurley N., Kushmerick N., Silvestre G. // ACM Transactions on Internet Technology. 2004.Vol. 4, Issue 4. November. C. 344-377.
4. Sarwar B. et al. Incremental singular value decomposition algorithms for highly scalable recommender systems // Fifth International Conference on Computer and Information Science. - Citeseer, 2002. - C. 27-28.
5. Berry M.W. Large scale singular value computations // International Journal of Supercomputer Applications. - 1992. - № 6(1). - C. 13-49.
6. Пятикоп E.E. Исследование метода коллаборативной фильтрации на основе сходства элементов // HayKOBi пращ Донецького нащонального техшчного ушверситету cepia: Информатика, юбернетика та обчислювальна техшка". - 2013. - №2. - С. 109-114
7. J.S. Breese, D. Heckerman, and C. Kadie, “Empirical Analysis of Predictive Algorithms for Collaborative Filtering,” Proc. 14th Conf. Uncertainty in Artificial Intelligence, July 1998.
8. U. Shardanand and P. Maes, “Social Information Filtering:Algorithms for Automating ‘Word of Mouth’,” Proc. Conf. Human Factors in Computing Systems, 1995.
9. J. Delgado and N. Ishii, “Memory-Based Weighted-MajorityPrediction for Recommender Systems,” Proc. ACM SIGIR ’99Workshop Recommender Systems: Algorithms and Evaluation, 1999.
10. D. Billsus and M. Pazzani, “Learning Collaborative Information Filters,” Proc. Int’l Conf. Machine Learning, 1998.
1. J.S. Breese, D. Heckerman, and C. Kadie, “Empirical Analysis of Predictive Algorithms for Collaborative Filtering,” Proc. 14th Conf. Uncertainty in Artificial Intelligence, July 1998.
12. L. Getoor and M. Sahami, “Using Probabilistic Relational Modelsfor Collaborative Filtering,” Proc. Workshop Web Usage Analysis and User Profiling (WEBKDD ’99), Aug. 1999.
13. K. Goldberg, T. Roeder, D. Gupta, and C. Perkins, “Eigentaste: A Constant Time Collaborative Filtering Algorithm,” Information Retrieval J., vol. 4, no. 2, pp. 133-151, July 2001.


Работу высылаем на протяжении 30 минут после оплаты.



Подобные работы


©2025 Cервис помощи студентам в выполнении работ
.