Гібридна рекомендаційна система для побудови персоналізованих рекомендацій на основі рейтингу контенту

Abstract

Магістерська кваліфікаційна робота виконана студентом групи КНСШ-21 Садовніком Іллею Володимировичем на тему “Гібридна рекомендаційна система для побудови персоналізованих рекомендацій на основі рейтингу контенту”. Ця робота підготовлена з метою здобуття ступеня магістра за спеціальністю 122 «Комп’ютерні науки». Основною метою роботи є розробка гібридної рекомендаційної системи для точного підбору відеоконтенту, який відповідає індивідуальним уподобанням користувачів. Дослідження зосереджене на побудові системи, що інтегрує кілька моделей рекомендацій, зокрема колаборативну фільтрацію, щоб забезпечити високу точність персоналізованих рекомендацій. У рамках роботи були реалізовані різні гібридні моделі: Weighted Average Ensemble, Boosting Ensemble, Stacking Ensemble, Random Forest Ensemble, Simple Meta-Model та Meta-Model. Кожна з цих моделей об'єднує характеристики різних підходів для забезпечення максимально релевантних рекомендацій. Об’єктом дослідження є процес гібридизації рекомендаційних моделей і їх інтеграція в єдину систему, що аналізує дані користувачів та їх оцінки контенту для надання індивідуальних рекомендацій. Реалізована система продемонструвала здатність покращити взаємодію користувачів із платформами відеоконтенту, що сприяє поліпшенню якості обслуговування і підвищенню рівня задоволеності користувачів. Результати дослідження можуть бути використані для створення ефективних систем рекомендацій у різних галузях, таких як електронна комерція, стрімінгові сервіси та соціальні мережі, де точність та персоналізація рекомендацій мають критичне значення для підвищення конкурентоспроможності та лояльності користувачів. The Master's qualification work was completed by the student of group KNSH-21, Sadovnik Illia Volodymyrovych, on the topic "Hybrid recommender system for building personalized recommendations based on content rating" This work was prepared to obtain a Master's degree in the specialty 122 "Computer Science." The primary goal of this work is to develop a hybrid recommendation system for accurately selecting video content that aligns with individual user preferences. The research focuses on constructing a system that integrates several recommendation models, including collaborative filtering, to ensure high accuracy in personalized recommendations. Various hybrid models were implemented within the work: Weighted Average Ensemble, Boosting Ensemble, Stacking Ensemble, Random Forest Ensemble, Simple Meta-Model, and Meta-Model. Each of these models combines characteristics from different approaches to provide the most relevant recommendations possible. The object of the research is the process of hybridizing recommendation models and integrating them into a unified system that analyzes user data and their content ratings to provide individual recommendations. The implemented system demonstrated the capability to enhance user engagement with video content platforms, contributing to improved service quality and increased user satisfaction.