Будь ласка, використовуйте цей ідентифікатор, щоб цитувати або посилатися на цей матеріал:
http://elartu.tntu.edu.ua/handle/lib/35558| Назва: | Комп’ютеризована система формування рекомендацій на основі вподобань споживача |
| Інші назви: | Computer-aided system of recommendations formation based on customer preferences |
| Автори: | Денисов, Денис Васильович Denysov, Denys |
| Приналежність: | Тернопільський національний технічний університет імені Івана Пулюя |
| Бібліографічний опис: | Денисов Д. В. Комп’ютеризована система формування рекомендацій на основі вподобань споживача : кваліфікаційна робота бакалавра за спеціальністю „123 — Комп’ютерна інженерія“ / Денисов Денис Васильович. – Тернопіль : ТНТУ, 2021. – 87 c. |
| Bibliographic description: | Denysov D. Computer-aided system of recommendations formation based on customer preferences: Bachelor thesis „123 — Computer Engineering“ / Denysov Denys - Ternopil, TNTU, 2021 – 87 p. |
| Дата публікації: | чер-2021 |
| Дата подання: | чер-2021 |
| Дата внесення: | 26-чер-2021 |
| Видавництво: | Тернопільський національний технічний університет імені Івана Пулюя |
| Країна (код): | UA |
| Місце видання, проведення: | Тернопільський національний технічний університет імені Івана Пулюя |
| Науковий керівник: | Тиш, Євгенія Володимирівна Tysh, Ievgeniia |
| Члени комітету: | Млинко, Богдана Богданівна Mlynko, Bogdana |
| УДК: | 004.75 |
| Теми: | рекомендація вподобання споживач система recommendation preference consumer system |
| Кількість сторінок: | 87 |
| Короткий огляд (реферат): | У роботі спроектовано архітектуру комп’ютеризованої системи з можливістю інтеграції із системами електронної комерції. Основними програмними компонентами рекомендаційної системи є модуль препроцесингу даних та безпосередньо модуль формування рекомендацій.
Програмне забезпечення комп’ютеризованої системи реалізовано засобами мови програмування Python та за допомогою бібліотек: pandas та numpy для опрацювання даних; turicreate для проведення вибору та оцінки моделі; sklearn для розділення даних на навчальну і тестову вибірки.
Окрім цього, досліджено потенційні метрики для визначення подібності товарів і користувачів, і як наслідок обгрунтовано використання косинусної міри кута та коефіцієнта кореляції Пірсона. The paper designs the architecture of a computerized system with the possibility of integration with e-commerce systems. The main software components of the recommendation system are the data preprocessing module and the recommendation generation module itself. The software of the computerized system is implemented by means of Python programming language and by means of libraries: pandas and numpy for data processing; turicreate for model selection and evaluation; sklearn to divide the data into training and test samples. In addition, potential metrics for determining the similarity of goods and users are investigated, and as a result, the use of the cosine measure of the angle and Pearson's correlation coefficient is substantiated. |
| Зміст: | ПЕРЕЛІК ОСНОВНИХ УМОВНИХ ПОЗНАЧЕНЬ, СИМВОЛІВ І СКОРОЧЕНЬ 7 ВСТУП 8 1 АНАЛІЗ ВИМОГ ТЕХНІЧНОГО ЗАВДАННЯ ТА ПРИНЦИПІВ ОРГАНІЗАЦІЇ КОМП’ЮТЕРИЗОВАНИХ РЕКОМЕНДАЦІЙНИХ СИСТЕМ 9 1.1 Аналіз вимог технічного завдання до проектування комп’ютеризованої системи формування рекомендацій на основі вподобань споживачів 9 1.2 Принципи та особливості побудови рекомендаційних систем 16 2 МОДЕЛІ ТА АРХІТЕКТУРА КОМП’ЮТЕРИЗОВАНИХ СИСТЕМ ФОРМУВАННЯ РЕКОМЕНДАЦІЙ НА ОСНОВІ ВПОДОБАНЬ СПОЖИВАЧА 21 2.1 Методи колаборативної фільтрації і сфера їх використання 21 2.2 Метрики подібності при визначенні схожих товарів та покупців у рекомендаційній системі 25 2.3 Процедури формування рекомендацій на основі вподобань споживачів 30 2.4 Проектування архітектури комп’ютеризованої системи формування рекомендацій на основі вподобань споживачів 34 2.5 Препроцесинг даних при формуванні рекомендацій споживачу 36 3 ПРОГРАМНЕ ЗАБЕЗПЕЧЕННЯ КОМП’ЮТЕРИЗОВАНОЇ СИСТЕМИ ФОРМУВАННЯ РЕКОМЕНДАЦІЙ 45 3.1 Реалізація моделей для формування рекомендацій на основі популярності товарів 45 3.2 Реалізація моделей колаборативної фільтрації при формуванні персональних рекомендацій 51 3.3 Тестування та оцінювання якості моделей формування рекомендацій 58 4 БЕЗПЕКА ЖИТТЄДІЯЛЬНОСТІ, ОСНОВИ ОХОРОНИ ПРАЦІ 65 ВИСНОВКИ 66 СПИСОК ВИКОРИСТАНИХ ДЖЕРЕЛ 67 Додаток A. Технічне завдання 2 |
| URI (Уніфікований ідентифікатор ресурсу): | http://elartu.tntu.edu.ua/handle/lib/35558 |
| Власник авторського права: | © Денисов Денис Васильович, 2021 |
| Перелік літератури: | 1. Фоусет Т., Провост Ф. Data Science для бізнесу: Як збирати, аналізувати і використовувати дані. Наш формат. Київ. 2019. 400 с. 2. К. О Нил, Шатт Р. Data Science. Инсайдерская информация для новичков. Включая язык R. Издательский дом "Питер". 2018. 368 с. 3. Рекомендательные системы. URL: http://www.numberscompany.ru/ products/recommenders (дата звернення 20.03.2021 р.) 4. Setten M., Pokraev S., Koolwaaij J. Setten M. Context-aware recommendations in the mobile tourist application compass. Heidelberg, vol. 3137. 2004. pp. 515–548 5. Гомзин А., Коршунов А. Системы рекомендаций: обзор современных подходов. Труды ИСП РАН. 2012. URL: http://cyberleninka.ru/article/n/sistemy-rekomendatsiy-obzorsovremennyh-podhodov (дата звернення 27.03.2021 р). 6. Савчук Т.О., Сакалюк А.В. Застосування кластерного аналізу для колаборативної фільтрації. Вісник Хмельницького національного університету. №1. 2011. С. 186-192. 7. Linden G., Smith B., York J. Amazon.com recommendations: Item-to-item collaborative filtering. IEEE Internet Computing. vol. 7. No. 1. 2003. pp. 76–80. 8. Python‑recsys on Github. URL: https://github.com/ocelma/python‑recsys (дата звернення 15.04.2021 р). 9. Рекомендательные системы: Часть 1. Введение в подходы и алгоритмы URL: https://www.ibm.com/developerworks/ru/library/os‑recommender1/ (дата звернення 22.04.2021 р). 10. Preprocessing data. URL: https://scikit-learn.org/stable/modules/ preprocessing.html#preprocessing (дата звернення 28.04.2021 р.). 11. API reference. URL: https://pandas.pydata.org/docs/reference/index.html (дата звернення 03.05.2021 р.). 12. NumPy Reference. URL: https://numpy.org/doc/stable/reference/index.html (дата звернення 08.05.2021 р.) 13. Turi Create API Documentation. . URL: https://apple.github.io/turicreate/ docs/api/ (дата звернення 15.05.2021 р.) 14. Барсегян А. Анализ данных и процессов. 3 изд. БХВ-Петербург. 2009. 512 с. 15. Breese J., Heckerman D., Kadie C. Empirical Analysis of Predictive Algorithms for Collaborative Filtering. Proc. 14th Conf. Uncertainty in Artificial Intelligence. 1998. pp. 223-234. 16. Adomavicius G. На пути к новому поколению рекомендационных систем: обзор имеющихся систем и возможные инновации. IEEE Transactions on Knowledge and Data Engineering. Vol. 17. No. 6. 2005. c. 78-86 17. Лексин В.А. Анализ клиентских сред: выявление скрытых профилей и оценивание сходства клиентов и ресурсов. Математические методы распознавания образов-13. М. МАКС Пресс. 2007. С. 488-491 18. Kurucz M., Benczur A., Csalogany K. Methods for large scale SVD with missing values. Proceedings of KDD Cup and Workshop. 2007. pp. 122-129. 19. ДСанПіН 3.3-2.007-98 Державні санітарні правила і норми роботи з візуальними дисплейними терміналами електронно-обчислювальних машин. - Київ, 1999. - 18с. 20. НПАОП 0.00-1.28-10 «Правила охорони праці під час експлуатації електронно-обчислювальних машин». – Київ, 2010. – 8 с. |
| Тип вмісту: | Bachelor Thesis |
| Розташовується у зібраннях: | 123 — Комп’ютерна інженерія (бакалаври) |
Файли цього матеріалу:
| Файл | Опис | Розмір | Формат | |
|---|---|---|---|---|
| Denisov.pdf | 4,98 MB | Adobe PDF | Переглянути/відкрити | |
| Авторська_довідка_Денисов_Д.doc | 45,5 kB | Microsoft Word | Переглянути/відкрити |
Усі матеріали в архіві електронних ресурсів захищені авторським правом, всі права збережені.
Інструменти адміністратора