Моля, използвайте този идентификатор за цитиране или линк към този публикация:
http://elartu.tntu.edu.ua/handle/lib/52646| Заглавие: | Програмна реалізація алгоритму Apriori рекомендаційної системи товарів |
| Други Заглавия: | Software Implementation of the Apriori Algorithm for a Product Recommendation System |
| Автори: | Касіян, Максим Ігорович Kasiyan, Maksym |
| Affiliation: | Тернопільський національний технічний університет імені ім. І. Пулюя |
| Bibliographic reference (2015): | Касіян М. І. Програмна реалізація алгоритму Apriori рекомендаційної системи товарів : робота на здобуття кваліфікаційного ступеня бакалавра : спец. 122 - комп’ютерні науки / наук. кер. Л. П. Матійчук. Тернопіль : Тернопільський національний технічний університет імені Івана Пулюя, 2026. 65 с. |
| Дата на Публикуване: | 26-Юни-2026 |
| Submitted date: | 12-Юни-2026 |
| Date of entry: | 24-Юни-2026 |
| Издател: | Тернопільський національний технічний університет імені ім. І. Пулюя |
| Country (code): | UA |
| Place of the edition/event: | Тернопіль |
| Supervisor: | Матійчук, Любомир Павлович Matiichuk, Liubomyr |
| UDC: | 004.04 |
| Ключови Думи: | 122 комп’ютерні науки рекомендаційна система програмна реалізація машинне навчання добування даних програмна мова сервісно орієнтована архітектура великі дані recommendation system software implementation machine learning data mining rust rust programming language service oriented architecture big data |
| Page range: | 65 |
| Резюме: | В кваліфікаційній роботі реалізовано дослідження рекомендаційних систем та їх алгоритмів. Перший розділ кваліфікаційної роботи розглядає сферу аналізу даних та машинного навчання, визначаючи прецеденти використання для рекомендаційної системи товарів. Після аналізу переваг і недоліків інших алгоритмі добування даних було висвітлено вимоги до рекомендаційної системи товарів, включаючи використання алгоритму Apriori. В другому розділі проєктування розглянуто процес алгоритму Apriori, досліджуючи його недоліки, визначаючи необхідні змін в алгоритмі для їх вирішення. Додатково на основі характеристик даних було визначено сервісну програмну архітектуру рекомендаційної системи та методи взаємодії з нею. В третьому розділі описано програмну реалізацію рекомендаційної системи товарів. Використовуючи програмну мову Rust для реалізації, в розділі проаналізовано кожен крок роботи реалізованих функцій. В додаток до тестування внутрішніх алгоритмів, також проведено тестування інтерфейсів інтеграції та демонстрація експлуатації рекомендаційної системи товарів. The qualification work is dedicated to researching recommendation systems and the algorithms used in it. The first chapter examines the fields of data mining (including market basket analysis) and machine learning, identifying use cases of a product recommendation system. After analyzing the weaknesses and strengths of other data mining algorithms, the functional requirements for a product recommendation system were set, including usage of the Apriori algorithm. The goal of the work is to implement the Apriori algorithm in a product recommendation system; in second chapter examines the algorithm, analyzing its weaknesses, defining necessary changes to the algorithm to mitigate these flaws. In addition, based on characteristics of data a service software architecture was decided for the product recommendation system, as well as the means of interacting with it. The third chapter covers the software implementation of product recommendation system and its components. Using the Rust programming language for implementation, the chapter contains thorough analysis of each process in implemented functions. In addition to software testing of internal algorithms, an external interface testing was carried out, as well as demonstration of using the product recommendation system. |
| Описание: | Роботу виконано на кафедрі комп'ютерних наук Тернопільського національного технічного університету імені Івана Пулюя. Захист відбудеться 26.06.2026р. на засіданні екзаменаційної комісії №31 у Тернопільському національному технічному університеті імені Івана Пулюя |
| Content: | Вступ Розділ 1. Аналіз рекомендаційних систем та постановка завдання. Аналіз правил кошика 9 1.1 Аналіз предметної області рекомендаційної системи товарів 9 1.1.1 Спрощення прийняття рішень для користувача застосовуючи механізм рекомендацій товарів 9 1.1.2 Добування даних для побудови персоналізованих та загальних рекомендацій товарів 11 1.1.3 Аналіз кошику ринку та побудування правил асоціації для рекомендаційної системи товарів 13 1.2 Визначення можливих варіантів використання рекомендаційної системи товарів, розробка діаграми прецедентів 14 1.3 Аналіз існуючих рішень для системи рекомендацій товарів 17 1.4 Визначення вимог для рекомендаційної системи товарів з алгоритмом Apriori 20 1.5 Висновки до першого розділу 21 Розділ 2. Проєктування Рекомендаційної системи товарів з алгоритмом Apriori 22 2.1 Проєктування архітектури рекомендаційної системи товарів 22 2.2 Проєктування функціоналу алгоритму Apriori рекомендаційної системи товарів 26 2.2.1 Знаходження кандидатів за алгоритмом Apriori та правила побудови рекомендаційних асоціацій 26 2.2.2 Оптимізація ресурсоємності та персоналізація рекомендацій 29 2.3 Визначення програмного інтерфейсу для взаємодії з рекомендаційною системою товарів 34 2.4 Висновки до другого розділу 37 Розділ 3. Програмна реалізація рекомендаційної системи товарів 38 3.1 Програмна реалізація компонентів рекомендаційної системи товарів 38 3.1.1 Ядро рекомендаційної системи товарів, алгоритм Apriori 39 3.1.2 Модуль вводу/виводу транзакційних даних та налаштувань 43 3.1.3 Програмний інтерфейс рекомендаційної системи товарів 46 3.2 Тестування та експлуатація рекомендаційної системи товарів алгоритмом Apriori та її компонентів 49 3.3 Висновки до третього розділу 53 Розділ 4. Безпека життєдіяльності, основи охорони праці 54 4.1 Значення адаптації в трудовому процесі. Стрес і втома організму від тривалої розумової роботи 54 4.2 Вимоги безпеки до робочих місць для виконання робіт 56 4.3 Висновок до четвертого розділу 58 Висновки 59 Перелік використаних джерел 61 |
| URI: | http://elartu.tntu.edu.ua/handle/lib/52646 |
| Copyright owner: | © Касіян Максим Ігорович, 2026 |
| References (Ukraine): | 1. Висоцький Н. І. Легковагові керовані бази даних в хмарній інфраструктурі : робота на здобуття кваліфікаційного ступеня бакалавра : спец. 121 - інженерія програмного забезпечення / наук. кер. Ю. Б. Гладьо. Тернопіль : Тернопільський національний технічний університет імені Івана Пулюя, 2025. 51 с. 2. Головко А. Дослідження та розробка рекомендаційної системи на основі штучного інтелекту для вибору стійких рослин для озеленення міста в умовах війни / А. Головко, Л. Матійчук // Матеріали ⅩⅢ науково-технічної конференції „Інформаційні моделі, системи та технології“, 17-18 грудня 2025 року. — Т. : ТНТУ, 2025. — С. 38–39. 3. Грибан В.Г. Безпека життєдіяльності та охорона праці : підручник / В.Г. Грибан, А.Є. Фоменко, Д.Г. Казначеєв. – Дніпро : ДДУВС, 2022. – 388 с. 4. Сокуренко В. В., Бандурка О. М. Безпека життєдіяльності та охорона праці : підручник. Харків : ХНУВС, 2021. 308 с. 5. Стиценко Т. Є., Пронюк Г. В., Сердюк Н. М. Безпека життєдіяльності : навч. посібник. Харків : ХНРУЕ, 2018. 336 с. 6. Карбівська У. М., Майстер М. Д. Основи охорони праці : навчально-методичний посібник. Івано-Франківськ : НАІР, 2020. 182 с. 7. Кварамба Р. Р. Методи аналізу та процесу великих даних у створенні системи рекомендацій для інтернет-магазину : магістерська кваліфікаційна робота «123 — Комп’ютерна інженерія» / Кварамба Рувімбо Рона. – Тернопіль : ТНТУ, 2021. – 56 с. 8. Коваль В. В. Розробка веб-інтерфейсу для інтерактивної візуалізації API даних на основі Java-Script : робота на здобуття кваліфікаційного ступеня магістра : спец. 121 - інженерія програмного забезпечення / наук. кер. Г. Б. Цуприк. Тернопіль : Тернопільський національний технічний університет імені Івана Пулюя, 2024. 76 с. 9. Яцишин В. А. Аналіз методів тестування програмних інтерфейсів для RESTFul API : робота на здобуття кваліфікаційного ступеня магістр : спец. 122 - комп’ютерні науки / наук. кер. Л. П. Дмитроца. Тернопіль : Тернопільський національний технічний університет імені Івана Пулюя, 2025. 48 с. 10. Recommendation Systems: Marketing Applications, Benefits and Risks. Multidisciplinary Approaches to Contemporary Marketing / F. N. Ozkan. Palgrave Macmillan, Cham, 2025. ISBN 978‐3‐031‐78026‐4. URL: https://doi.org/10.1007/978-3-031-78026-4_3. 11. A Comprehensive Guide to Use Case Modeling. Visual Paradigm. 12.09.2023. URL: https://guides.visual-paradigm.com/a-comprehensive-guide-to-use-case-modeling/. 12. Matrix Factorization. Google for Developers. Machine Learning. 25.08.2025. URL: https://developers.google.com/machine-learning/recommendation/ collaborative/matrix. 13. RFC 8259. The JavaScript Object Notation (JSON) Data Interchange Format. Чинний від 13.12.2017. Internet Engineering Task Force. 16 с. URL: https://www.rfc-editor.org/info/rfc8259. 14. Building RESTful APIs in Rust: A Comprehensive Guide. Software Patterns Lexicon. 25.11.2024. URL: https://softwarepatternslexicon.com/rust/ enterprise-integration-patterns/implementing-restful-apis/. 15. Actor-Based Concurrency in Rust. Sling Academy. Rust. 06.01.2025. URL: https://www.slingacademy.com/article/actor-based-concurrency-in-rust-introducing-the-actix-ecosystem/. 16. The Manifest Format. The Cargo Book. Cargo Reference. URL: https://doc.rust-lang.org/cargo/reference/manifest.html. 17. Error Handling. The Rust Programming Language / S. Klabnik, C. Nichols, C. Krycho. 3-тє вид. No Starch Press, 2026. С. 167–186. ISBN 9781718504448. URL: https://doc.rust-lang.org/book/ch09-00-error-handling.html. 18. @Chonyy. FP Growth: Frequent Pattern Generation in Data Mining with Python Implementation. towards data science. 30.10.2020. URL: https://towardsdatascience.com/fp-growth-frequent-pattern-generation-in-data-mining-with-python-implementation-244e561ab1c3/. 19. Baig A. 15 Essential Data Mining Techniques. Dataversity. 04.12.2023. URL: https://www.dataversity.net/articles/15-essential-data-mining-techniques/. 20. Balalaie A., Heydarnoori A., Jamshidi P. Microservices Architecture Enables DevOps: Migration to a Cloud-Native Architecture. IEEE Software. 2016. Т. 33, вип. 4. С. 42–52. ISSN 1937‐4194. 21. Blandy J., Onderdoff J., Tindall L. Programming Rust: Fast, Safe Systems Development. 2-гe вид. O’Reilly Media, 2021. ISBN 9781492052593. 22. Booz R., Fritchey G. Introduction to PostgreSQL for the data professional. Redgate Books, 2025. 348 с. ISBN 978‐1036902377. 23. Eastham J. Introduction to SQLx. Rust for .NET Developers. Persisting Data. URL: https://rustfor.net/docs/module8/sqlx/. 24. Elahi M., Ricci F., Rubens N. A survey of active learning in collaborative filtering recommender systems. Computer Science Review. 2016. Т. 20. URL: https://doi.org/10.1016/j.cosrev.2016.05.002. 25. Erl T. Service-Oriented Architecture: Analysis & Design for Services and Microservices. 2-гe вид. Prentice Hall, 2018. 393 с. ISBN 0133858588. 26. Fox C. Data Science for Transport. Springer Cham, 2018. 185 с. ISBN 978‐3‐319‐72952‐7. URL: https://doi.org/10.1007/978-3-319-72953-4. 27. Gandhi R., Richards M., Ford N. Head First Software Architecture. 2-гe вид. O’Reilly Media, 2024. 483 с. ISBN 9781098134358. 28. Hartle III F., Mancini S., Kerry E. Data poisoning 2018–2025: A systematic review of risks, impacts, and mitigation challenges. Issues in Information Systems. 2025. Т. 25, вип. 4. С. 433–422. URL: https://doi.org/10.48009/4_iis_2025_135. 29. Heaton J. Comparing Dataset Characteristics that Favor the Apriori, Eclat or FP-Growth Frequent Itemset Mining Algorithms. arXiv. Computer Science - Databases. 30.01.2017. URL: https://doi.org/10.48550/arXiv.1701.09042. 30. Applications of Mathematics in Science and Technology / B. T. Hung та ін. CRC Press, 2025. 1058 с. URL: https://doi.org/10.1201/9781003606659. 31. Kleppmann M. Designing Data-Intensive Applications: The Big Ideas Behind Reliable, Scalable, and Maintainable Systems. 2-гe вид. O’Reilly Media, 2017. 614 с. ISBN 978‐1449373320. 32. Leung C. K.-S., Jiang F., Dela Cruz E. M. Association Rule Mining in Collaborative Filtering. Collaborative Filtering Using Data Mining and Analysis. IGI Global, 2017. С. 159–179. ISBN 9781522504894. URL: https://doi.org/10.4018/978-1-5225-0489-4.ch009. 33. Mao C., Huang S., Sui M. Analysis and Design of a Personalized Recommendation System Based on a Dynamic User Interest Model. arXiv. Computer Science - Information Retrieval. 13.10.2024. URL: https://doi.org/10.48550/arXiv.2410.09923. 34. Pedro B. Building an API Product : design, implement, release, and maintain API products that meet user needs. Packt Publishing, 2024. 278 с. ISBN 9781837638536. 35. Prabu V. Big Data Architecture. KaaShiv InfoTech Blog. 27.11.2023. URL: https://www.kaashivinfotech.com/blog/big-data-architecture/. 36. Raza S., Rahman M., Kamawal S. A comprehensive review of recommender systems: Transitioning from theory to practice. Computer Science Review. 2026. Т. 59. ISSN 1574‐0137. URL: https://doi.org/10.1016/j.cosrev.2025.100849. 37. Reis J., Housley M. Fundamentals of Data Engineering: Plan and Build Robust Data Systems. 2-гe вид. O’Reilly Media, 2022. 447 с. ISBN 978‐1098108304. 38. Richards M., Ford N. Fundamentals of Software Architecture: An Engineering Approach. O’Reilly Media, 2020. 422 с. ISBN 9781492043454. 39. Rodriguez M. GitHub Copilot is moving to usage-based billing. Github Blog. 27.04.2026. URL: https://github.blog/news-insights/company-news/github-copilot-is-moving-to-usage-based-billing/. 40. Roy D., Dutta M. A systematic review and research perspective on recommender systems. Journal of Big Data. 2022. Т. 9. ISSN 2196‐1115. URL: https://doi.org/10.1186/s40537-022-00592-5. 41. Singh P. K., Othman E. Optimized recommendations by user profiling using apriori algorithm. Applied Soft Computing. 2021. Т. 106. ISSN 1568‐4946. URL: https://doi.org/10.1016/j.asoc.2021.107272. 42. Souza V. M. A., Reis D., Maletzke A. G. Challenges in benchmarking stream learning algorithms with real-world data. Data Mining and Knowledge Discovery. 2020. Т. 34. С. 1805–1858. URL: https://doi.org/10.1007/s10618-020-00698-5. 43. Tan P.-N., Steinbach M., Kumar V. Association Analysis: Advanced Concepts. Introduction to Data Mining. Pearson, 2018. С. 328–390. ISBN 978‐0133128901. |
| Content type: | Bachelor Thesis |
| Показва се в Колекции: | 122 — Компʼютерні науки, F3 Комп’ютерні науки (бакалаври) |
Файлове в Този Публикация:
| Файл | Описание | Размер | Формат | |
|---|---|---|---|---|
| 2026_KRB_SNs-41_Kasiyan_MI.pdf | Дипломна робота | 1,34 MB | Adobe PDF | Изглед/Отваряне |
Публикацияте в DSpace са защитени с авторско право, с всички права запазени, освен ако не е указно друго.
Админ Инструменти