Empreu aquest identificador per citar o enllaçar aquest ítem:
http://elartu.tntu.edu.ua/handle/lib/50849| Títol: | Проєкт рекомендаційної системи фільмів на основі архітектури Netflix |
| Altres títols: | Project of a Movie Recommendation System Based on the Netflix Architecture |
| Autor: | Налутка, Павло Васильович Nalutka, Pavlo Vasyliovych |
| Affiliation: | ТНТУ ім. І. Пулюя, Факультет комп’ютерно-інформаційних систем і програмної інженерії, Кафедра комп’ютерних наук, м. Тернопіль, Україна |
| Bibliographic description (Ukraine): | Налутка П. В. Проєкт рекомендаційної системи фільмів на основі архітектури Netflix : робота на здобуття кваліфікаційного ступеня магістр : спец. 122 - комп’ютерні науки / наук. кер. О. В. Палка. Тернопіль : Тернопільський національний технічний університет імені Івана Пулюя, 2025. 52 с. |
| Bibliographic reference (2015): | Налутка П. В. Проєкт рекомендаційної системи фільмів на основі архітектури Netflix : робота на здобуття кваліфікаційного ступеня магістр : спец. 122 «Комп’ютерні науки» / наук. кер. О. В. Палка. Тернопіль : ТНТУ, 2025. 52 с. |
| Data de publicació: | 22-de -2025 |
| Submitted date: | 8-de -2025 |
| Date of entry: | 2-de -2026 |
| Editorial: | ТНТУ ім. І.Пулюя, ФІС, м. Тернопіль, Україна |
| Country (code): | UA |
| Place of the edition/event: | Тернопіль |
| Supervisor: | Палка, Олег Вікторович Palka, Oleh |
| Committee members: | Ясній, Олег Петрович Yasniy, Oleg |
| UDC: | 004.89:004.77 |
| Paraules clau: | 122 комп’ютерні науки рекомендаційна система фільми архітектура netflix колаборативна фільтрація контентна фільтрація машинне навчання алгоритми стрімінгові сервіси python recommendation system movies netflix architecture collaborative filtering content-based filtering machine learning algorithms streaming services |
| Page range: | 52 |
| Resum: | Кваліфікаційна робота присвячена розробці проєкту рекомендаційної системи фільмів, що базується на принципах архітектури Netflix. У першому розділі проаналізовано сучасний стан ринку стрімінгових платформ та роль персоналізації контенту для утримання користувачів. Другий розділ містить детальний огляд архітектурних рішень Netflix, методів збору даних та вибору алгоритмів фільтрації. У третьому розділі представлено практичну реалізацію моделі рекомендацій на мові Python, порівняльний аналіз колаборативної та контентної фільтрації, а також оцінку ефективності розробленої системи на основі метрик точності. Робота включає обґрунтування економічної доцільності, заходи з охорони праці та аналіз екологічних аспектів експлуатації обчислювальної техніки The qualification work is devoted to the development of a movie recommendation system project based on the principles of the Netflix architecture. The first chapter analyzes the current state of the streaming platform market and the role of content personalization for user retention. The second chapter provides a detailed overview of Netflix's architectural solutions, data collection methods, and the choice of filtering algorithms. The third chapter presents the practical implementation of the recommendation model in Python, a comparative analysis of collaborative and content-based filtering, and an evaluation of the developed system's efficiency based on accuracy metrics. The work includes economic feasibility justification, labor protection measures, and an analysis of environmental aspects of computer equipment operation. |
| Descripció: | Роботу виконано на кафедрі комп'ютерних наук Тернопільського національного технічного університету імені Івана Пулюя. Захист відбудеться 22.12.2025р. на засіданні екзаменаційної комісії №32 у Тернопільському національному технічному університеті імені Івана Пулюя. |
| Content: | ВСТУП 5 1 АНАЛІЗ ПРЕДМЕТНОЇ ОБЛАСТІ ТА СУЧАСНИХ РЕКОМЕНДАЦІЙНИХ СИСТЕМ 8 1.1 Стан та тенденції розвитку стрімінгових сервісів 8 1.2 Теоретичні основи побудови рекомендаційних систем 11 1.3 Постановка задачі проєктування 14 Висновок до першого розділу 16 2 ДОСЛІДЖЕННЯ АРХІТЕКТУРИ ТА АЛГОРИТМІВ NETFLIX 17 2.1 Компоненти архітектури Netflix для обробки даних 17 2.2 Методи колаборативної та контентної фільтрації 20 2.3 Вибір інструментарію та технологічного стеку реалізації 24 Висновок до другого розділу 27 3 ПРАКТИЧНА РЕАЛІЗАЦІЯ ТА АНАЛІЗ РЕЗУЛЬТАТІВ 28 3.1 Підготовка набору даних та попередня обробка 28 3.2 Розробка та навчання рекомендаційної моделі 31 3.3 Оцінка точності та візуалізація рекомендацій 35 Висновок до третього розділу 38 4 ОБҐРУНТУВАННЯ ЕКОНОМІЧНОЇ ЕФЕКТИВНОСТІ 39 5 ОХОРОНА ПРАЦІ ТА БЕЗПЕКА В НАДЗВИЧАЙНИХ СИТУАЦІЯХ 45 6 ЕКОЛОГІЯ 50 ЗАГАЛЬНІ ВИСНОВКИ 51 СПИСОК ЛІТЕРАТУРИ 52 |
| URI: | http://elartu.tntu.edu.ua/handle/lib/50849 |
| Copyright owner: | © Налутка Павло Васильович, 2025 |
| References (Ukraine): | 1. Шумова, Л. О., Рязанцев, О. І., & Покришка, С. А. (2023). Mоделі машинного навчання для формування рекомендацій. Вісник Східноукраїнського національного університету імені Володимира Даля, (2 (278)), 96-105. 2. ШЕВЧЕНКО, С., ЖДАНОВА, Ю., & ДАНИЛЮК, О. (2024). АНАЛІЗ ТА ДОСЛІДЖЕННЯ ХАРАКТЕРИСТИК АЛГОРИТМІВ У РЕКОМЕНДАЦІЙНИХ СИСТЕМАХ. Вісник Херсонського національного технічного університету, (4 (91)), 367-376. 3. Пасічник, В. В., Юнчик, В. Л., Кунанець, Н. Е., & Федонюк, А. А. (2022). Використання нечіткої логіки у процесі експертного оцінювання електронних навчальних ресурсів. Scientific Bulletin of UNFU, 32(4), 66-76. 4. Pankiv, Y., Kunanets, N., Artemenko, O., Veretennikova, N., & Nebesnyi, R. (2021, September). Project of an intelligent recommender system for parking vehicles in smart cities. In 2021 IEEE 16th International Conference on Computer Sciences and Information Technologies (CSIT) (Vol. 2, pp. 419-422). IEEE. 5. Matsyuk, O., Nazaruk, M., Turbal, Y., Veretennikova, N., & Nebesnyi, R. (2018, September). Information analysis of procedures for choosing a future specialty. In Conference on Computer Science and Information Technologies (pp. 364-375). Cham: Springer International Publishing. 6. Небесний, Р. М. (2023). Рекомендаційна система формування команд виконавців з відповідними фаховими компетентностями (Doctoral dissertation, Тернопільський національний технічний університет імені Івана Пулюя). 7. Ржеуський, А., Кунанець, Н., & Стахів, М. (2018). Рекомендаційна система інформаційного обслуговування користувачів бібліотек. У Матеріали V науково-технічної конференції "Інформаційні моделі, системи та технології" (с. 37). Тернопіль: ТНТУ. 8. Hsiao Mark (Ko-Jen). From Stranger Things to Your Favorite Things: Netflix's Recommendation Evolution. VideoRecSys 2024: Large-Scale Video Recommender Systems Workshop. URL: https://videorecsys.com/slides/mark_talk3.pdf (date of access: 08.10.2025). 9. “Attention Is All You Need,” Ashish Vaswani et al., Proceedings of the 31st International Conference on Neural Information Processing Systems, arXiv:1706.03762v7, revised on 2 August 2023. 10. Joshi, S., Feng, Y., Hsiao, K. J., Zhang, Z., & Lamkhede, S. (2024, October). Sliding Window Training-Utilizing Historical Recommender Systems Data for Foundation Models. In Proceedings of the 18th ACM Conference on Recommender Systems (pp. 835-837). 11. KV Caching Explained: Optimizing Transformer Inference Efficiency. Hugging Face – The AI community building the future. URL: https://huggingface.co/blog/not-lain/kv-caching (date of access: 14.11.2025). 12. Steck, H., Baltrunas, L., Elahi, E., Liang, D., Raimond, Y., & Basilico, J. (2021). Deep learning for recommender systems: A Netflix case study. AI magazine, 42(3), 7-18. 13. C. K. Kang and J. McAuley, “Self-Attentive Sequential Recommendation,” 2018 IEEE International Conference on Data Mining (ICDM), Singapore, 2018, pp. 197–206, doi: 10.1109/ICDM.2018.00035. 14. F. Sun et al., “BERT4Rec: Sequential Recommendation with Bidirectional Encoder Representations from Transformer,” Proceedings of the 28th ACM International Conference on Information and Knowledge Management (CIKM ‘19), Beijing, China, 2019, pp. 1441–1450, doi: 10.1145/3357384.3357895. 15. J. Zhai et al., “Actions Speak Louder than Words: Trillion-Parameter Sequential Transducers for Generative Recommendations,” arXiv preprint arXiv:2402.17152, 2024. 16. F. Gloeckle, B. Youbi Idrissi, B. Rozière, D. Lopez-Paz, and G. Synnaeve, “Better & Faster Large Language Models via Multi-token Prediction,” arXiv preprint arXiv:2404.19737, Apr. 2024. 17. Netflix Prize data. Kaggle: Your Machine Learning and Data Science Community. URL: https://www.kaggle.com/netflix-inc/netflix-prize-data/data (date of access: 08.05.2025). 18. Голінько В. І. Охорона праці в галузі інформаційних технологій: навч. посіб. / В. І. Голінько, М. Ю. Іконніков, Я. Я. Лебедєв; М-во освіти і науки України, Держ. вищий навч. закл. "Нац. гірн. ун-т". - Дніпропетровськ: НГУ, 2015. - 246 с. 19. Гандзюк М.П. Основи охорони праці: Підручник. 4-е вид./Гандзюк М.П., Желібо Є.П., Халімовський М.О. - Київ: Каревела, 2008. – 384с. 20. Техноекологія та цивільна безпека. Частина «Цивільна безпека»: Навчальний посібник; укл.: Стручок В. С. Тернопіль: ФОП Паляниця В.А., 2022. 150 с. 21. Безпека в надзвичайних ситуаціях. Методичний посібник для здобувачів освітнього ступеня «магістр» всіх спеціальностей денної та заочної (дистанційної) форм навчання / укл.: Стручок В. С. Тернопіль: ФОП Паляниця В. А., 2022. 156 с. 22. Умови праці працівників, які використовують у роботі персональні комп'ютери. Zolochiv.Net. URL: https://zolochiv.net/umovy-pratsi-pratsivnykiv-iaki-vykorystovuiut-u-roboti-personal-ni-komp-iutery/ (дата звернення: 25.10.2024). |
| Content type: | Master Thesis |
| Apareix a les col·leccions: | 122 — комп’ютерні науки |
Arxius per aquest ítem:
| Arxiu | Descripció | Mida | Format | |
|---|---|---|---|---|
| Mag_2025_SNm-61_Nalutka_PV.pdf | Дипломна робота | 2,69 MB | Adobe PDF | Veure/Obrir |
Els ítems de DSpace es troben protegits per copyright, amb tots els drets reservats, sempre i quan no s’indiqui el contrari.
Eines d'Administrador