Вісники та науково-технічні збірники, журнали
Permanent URI for this communityhttps://ena.lpnu.ua/handle/ntb/12
Browse
3 results
Search Results
Item Матрична факторизація великих даних у промислових системах(Видавництво Львівської політехніки, 2022-02-28) Гордійчук-Бублівська, О. В.; Фабрі, Л. П.; Hordiichuk-Bublivska, O. V.; Fabri, L. P.; Національний університет “Львівська політехніка”; Lviv Polytechnic National UniversityСтворення нових технологій та їх впровадження в різні сфери зумовило потребу оброблення та зберігання великих обсягів даних. В промислових системах модернізація означає використання великої кількості розумних пристроїв, що виконують спеціалізовані функції, а зібрані дані використовують для управління системою та автоматизації виробничих процесів. В роботі визначено основні характеристики розумних промислових систем. Проаналізовано концепцію Промислового Інтернету речей (англ. Industrial Internet of Things, IIoT) та актуальність проблеми модернізації висобництва. Досліджено проблеми оброблення великих даних в системах Промислового Інтернету речей. Розглянуто використання рекомендаційних систем для швидкого знаходження взаємозв'язків між користувачами та послугами виробництва. Проаналізовано використання алгоритмів матричної факторизації SVD (англ. Singular-Value Decomposition) та FunkSVD для оброблення розріджених матриць даних. Проведено моделювання роботи запропонованих алгоритмів і визначено переваги FunkSVD для роботи з розрідженими даними. Встановлено, що алгоритм FunkSVD опрацьовує дані за меншу тривалість часу, ніж SVD, але це не впливає на точність результату. З'ясовано, що SVD також є складнішим у реалізації та вимагає більше обчислювальних ресурсів. Удосконалено алгоритм FunkSVD для покращення ефективності оброблення великих масивів інформації так, що використовують менше даних для формування рекомендацій. Встановлено, що модифікований метод працює швидше за звичайний, проте зберігає високу точність обчислень, що є важливим для роботи в рекомендаційних системах. Виявлено можливість надавати рекомендації користувачам промислових систем за коротший поміжок часу, в такий спосіб покращуючи їх актуальність. Запропоновано продовжувати досліження для знаходження оптимальних параметрів алгоритму FunkSVD.Item Fuzzy model for recommender systems(Видавництво Львівської політехніки, 2014) Stekh, Y.; Lobur, M.; Artsibasov, V.; Chystjak, V.The paper analyzes the current state of development and application of recommendation systems, models and methods of construction of recommendation systems. It is shown that the most widely used method came into collaborative filtering. The method of fuzzy clustering is developed, which improves the accuracy of predicting ratings of products. Проаналізовано поточний стан розробки та застосування рекомендаційних систем, моделей і методів побудови рекомендаційних систем. Показано, що найбільш широко використовується метод колаборативної фільтрації фільтрації. Розроблено метод нечіткої кластеризації, який підвищує точність прогнозування рейтингів продуктів.Item Some methods in software development recommendation systems(Видавництво Львівської політехніки, 2013) Stekh, Y.; Artsibasov, V.This article analyzes the current state of the models and methods of building recommendation systems. The basic classes of problems that solve the recommendation system are highlighted. The features of the method collaborative filtering are shown. Developed a method for calculating the similarity coefficients, taking into account the sparseness of ratings vectors of goods and people. Проаналізовано сучасний стан моделей і методів побудови рекомендаційних систем. Виділено основні класи задач, які розв’язують рекомендаційні системи. Показано особливості застосування методу спільної фільтрації. Розроблено метод розрахунку коефіцієнтів подібності, який враховує розрідженість векторів рейтингів товарів і користувачів.