Рекомендаційна система підтримки пошуку фільмів
Автор: Дарина Слюсар • Май 19, 2024 • Курсовая работа • 3,892 Слов (16 Страниц) • 86 Просмотры
Державний торговельно-економічний університет
Кафедра цифрової економіки та системного аналізу
Захищено на кафедрі цифрової економіки та |
системного аналізу |
«__»__________20___р. |
з оцінкою ______________ Підпис членів коміссії: |
______________________________ |
______________________________ |
КУРСОВА РОБОТА
з дисципліни
«АЛГОРИТМІЗАЦІЯ ТА ПРОГРАМУВАННЯ»
на тему:
Рекомендаційна система підтримки пошуку фільмів
(назва теми)
Студента(-ки) факультету І.Т. |
групи 10,2 курсу Кисарін М.К. ______________ (підпис) |
Науковий керівникк.е.н. доц., Кулаженко В.В. |
______________ |
(підпис) |
Київ 2023
Анотація
Розкрито актуальність рекомендаційних систем у різних сферах бізнесу. У курсовій роботі проаналізовано ефективність рекомендаційних систем та алгоритми їх роботи. Описано та розроблено алгоритм рекомендаційної системи на основі колаборативної фільтрації типу сусідства, адаптовано та використано відповідну виберку даних.
У першому розділі розкрита сутність рекомендаційних систем, їх актуальність, історія, види систем рекомендацій, їх переваги та недоліки. Описаний алгоритм роботи колаборативної фільтрації та прогнозу оцінок, представлені метрики оцінки ефективності роботи рекомендаційної системи.
У другому розділі застосоване групування та адаптування вибірки даних. Описана розрбока алгоритму рекомендаційної системи на основі колаборативної фільтрації типу сусідства, обчислено значення метрики для оцінювання ефективності роботи рекомендаційної системи.
За результатами роботи зроблено висновки.
Ключові слова: рекомендаційна система, Python, колаборативна фільтрація, прогнозування дій корустувачів, Movielens, GroupLens.
Annotation
Therelevanceofrecommendationsystemsinvariousareasofbusinessisrevealed. Thetermpaperanalyzestheeffectivenessofrecommendersystemsandtheirworkalgorithms. Therecommendationsystemalgorithmbasedoncollaborativefilteringoftheneighborhoodtypeisdescribedanddeveloped, andappropriatedatasamplingisadaptedandused.
Thefirstchapterrevealstheessenceofrecommendationsystems, theirrelevance, history, typesofrecommendationsystems, theiradvantagesanddisadvantages. Thealgorithmofcollaborativefilteringandassessmentforecastingisdescribed, themetricsforevaluatingtheeffectivenessoftherecommendersystemarepresented.
Inthesecondsection, groupingandadaptationofthedatasampleareapplied. Thedevelopmentoftherecommendersystemalgorithmbasedoncollaborativefilteringoftheneighborhoodtypeisdescribed, thevalueofthemetricforevaluatingtheeffectivenessoftherecommendersystemiscalculated.
Basedontheresultsofthework, conclusionsweredrawn.
Keywords: recommendersystem, Python, collaborativefiltering, predictionofuseractions, Movielens, GroupLens.
Список скорочень та понять
КФ (Колаборативна Фільтрація) - один з методів побудови прогнозу в рекомендаційних системах, який використовує відомі уподобання групи користувачів для прогнозування невідомих уподобань іншого користувача.
PPMC (PearsonProduct-MomentCorrelation) - міра лінійної кореляції між двома наборами даних.
MSE (MeanSquaredError) - величина, що вимірює середню квадратичну різницю між розрахунковими та фактичними значеннями.
RMSE (RootMeanSquaredError) – середньоквадратична помилка, є часто використовуваною мірою відмінностей між значеннями, передбаченими моделлю або оцінювачем, і справжніми значеннями.
Зміст
ВСТУП 2
РОЗДІЛ 1. ПОНЯТТЯ РЕКОМЕНДАЦІЙНИХ СИСТЕМ. КОЛАБОРАТИВНА ФІЛЬТРАЦІЯ. 4
1.1. Сутність рекомендаційних систем 4
1.2. Види рекомендаційних систем 7
1.3. Алгоритм роботи колаборативної фільтрації рекомендаційних систем 10
Висновки 1 розділу 13
РОЗДІЛ 2. РОЗРБОКА РЕКОМЕНДАЦІЙНОЇ СИСТЕМИ. 14
...