Розроблення методів навчання з підкріпленням на основі кластеризації для персоналізованих рекомендацій книг у цифровій бібліотеці

Abstract

Магістерська кваліфікаційна робота виконана студентом групи КНСШ-21 Ярчаком Андрієм Віталійовичем. Тема “Розроблення методів навчання з підкріпленням на основі кластеризації для персоналізованих рекомендацій книг у цифровій бібліотеці”. Робота направлена на здобуття ступеня магістр за спеціальністю 122 «Комп’ютерні науки». Об’єктом дослідження є процеси підвищення точності рекомендаційних систем в цифрових бібліотеках. Предметом досліджень є методи кластеризації та навчання з підкріпленням для створення ефективних рекомендаційних систем. Досягнення мети відбувається за рахунок інтеграції різних методів кластеризації, таких як K-means, DBSCAN та Агломеративна кластеризація, з методами навчання з підкріпленням, такими як Q-learning, Deep Q-Networks та Actor-Critic. Апробацію роботи гібридної системи здійснено з використанням різних алгоритмів машинного навчання на основі реальних даних цифрової бібліотеки для розв’язання задачі рекомендацій. У результаті виконання дипломної роботи створено гібридну систему рекомендацій на основі кластеризації та навчання з підкріпленням; розроблено її програмну реалізацію, яка дозволяє досліджувати роботу різних методів машинного навчання, підбирати гіперпараметри для оптимальної роботи системи, а також порівнювати результати рекомендацій на різних алгоритмах. Загальний обсяг роботи: 67 сторінки, 14 рисунків, 42 посилання. The Master's thesis was completed by Andriy Vitaliyovych Yarchak, a student of the KNSH-21 group. The topic is "Development of Reinforcement Learning Methods Based on Clustering for Personalized Book Recommendations in a Digital Library". The work aims to obtain a Master's degree in specialty 122 "Computer Science". The object of study is the processes of enhancing the accuracy of recommendation systems in digital libraries. The subject of the research is clustering methods and reinforcement learning to create efficient recommendation systems. The goal is achieved by integrating various clustering methods, such as K means, DBSCAN, and Agglomerative Clustering, with reinforcement learning methods such as Q-learning, Deep Q-Networks, and Actor-Critic. The hybrid system's performance was tested using various machine learning algorithms based on real data from a digital library to solve the recommendation task. As a result of the thesis, a hybrid recommendation system based on clustering and reinforcement learning was created; its software implementation was developed, allowing the exploration of various machine learning methods, selecting hyperparameters for the system's optimal operation, and comparing recommendation results on different algorithms. The total volume of the work: 67 pages, 14 figures, 42 references.