Програмна реалізація інтелектуальної системи для вирішення проблеми “холодного старту”

Simple item page
dc.citation.epage299
dc.citation.issue13
dc.citation.journalTitleВісник Національного університету "Львівська політехніка". Інформаційні системи та мережі
dc.citation.spage274
dc.contributor.affiliationНаціональний університет “Львівська політехніка”
dc.contributor.affiliationУніверситет Оснабрюка
dc.contributor.affiliationLviv Polytechnic National University
dc.contributor.affiliationOsnabrück University
dc.contributor.authorБаран, Микола
dc.contributor.authorВисоцька, Вікторія
dc.contributor.authorГолощук, Роман
dc.contributor.authorBaran, Mykola
dc.contributor.authorVysotska, Victoria
dc.contributor.authorHoloshchuk, Roman
dc.coverage.placenameЛьвів
dc.coverage.placenameLviv
dc.date.accessioned2025-03-06T09:14:07Z
dc.date.created2023-02-28
dc.date.issued2023-02-28
dc.description.abstractЗа результатами дослідження описано та змодельовано один із підходів до побудови інтелектуальної інформаційної системи для рекомендування товарів користувачам із вирішенням проблеми “холодного старту”. В ході дослідження враховано переваги та недоліки методів, а також їхню сумісність під час їх комбінування, що є важливим фактором для забезпечення швидкодії системи та ефективності роботи алгоритму. Під час побудови інтелектуальної інформаційної системи здійснено реалізацію гібридного методу, а також тестування ефективності його роботи порівняно із класичним алгоритмом k-means. На основі результатів аналізу виконано практичне порівняння ефективності роботи інтелектуальної системи з базовим підходом до вирішення проблеми та гібридним.
dc.description.abstractAs a result of the research, one of the approaches to building an intelligent information system based on the recommendation of products to users with a solution to the cold start problem is described and modeled. The conducted research takes into account the advantages and disadvantages of the methods, as well as their compatibility, when combining them, which is an important factor for the speed of the system and the efficiency of the algorithm. The implementation of the hybrid method for the construction of an intelligent information system, as well asits performance testing in comparison with the classical k-means algorithm, was carried out. Based on the received analysis, a practical comparison of the efficiency of the system with the basic approach to solving the problem and the hybrid one was carried out.
dc.format.extent274-299
dc.format.pages26
dc.identifier.citationБаран М. Програмна реалізація інтелектуальної системи для вирішення проблеми “холодного старту” / Микола Баран, Вікторія Висоцька, Роман Голощук // Вісник Національного університету "Львівська політехніка". Інформаційні системи та мережі. — Львів : Видавництво Львівської політехніки, 2023. — № 13. — С. 274–299.
dc.identifier.citationenBaran M. Software for the implementation of an intelligent system to solve the problem of “cold start” / Baran Mykola, Vysotska Victoria, Holoshchuk Roman // Information Systems and Networks. — Lviv : Lviv Politechnic Publishing House, 2023. — No 13. — P. 274–299.
dc.identifier.doidoi.org/10.23939/sisn2023.13.274
dc.identifier.urihttps://ena.lpnu.ua/handle/ntb/63966
dc.language.isouk
dc.publisherВидавництво Львівської політехніки
dc.publisherLviv Politechnic Publishing House
dc.relation.ispartofВісник Національного університету "Львівська політехніка". Інформаційні системи та мережі, 13, 2023
dc.relation.ispartofInformation Systems and Networks, 13, 2023
dc.relation.references1. Grosan C., Abraham A. (2011). Intelligent systems, Vol. 17, 261–268. DOI: 10.1007/978-3-642-21004-4.
dc.relation.references2. Ferré S., Ridoux O. (2004). Introduction to logical information systems. Information Processing & Management, 40(3), 383–419. DOI: 10.1016/S0306-4573(03)00018-9.
dc.relation.references3. Injadat M., Moubayed A., Nassif A.B. et al. (2021). Machine learning towards intelligent systems: applications, challenges, and opportunities. Artif. Intell. Rev., 54, 3299–3348. DOI: 10.1007/s10462-020-09948-w.
dc.relation.references4. Bobadilla J., Ortega F., Hernando A., Bernal J. (2012). A collaborative filtering approach to mitigate the new user cold start problem. Knowledge-based systems, 26, 225–238. DOI: 10.1016/j.knosys.2011.07.021.
dc.relation.references5. Lika B., Kolomvatsos K., Hadjiefthymiades S. (2014). Facing the cold start problem in recommender systems. Expert systems with applications, 41(4), 2065–2073. DOI: 10.1016/j.eswa.2013.09.005.
dc.relation.references6. Vrontis D., Christofi M., Pereira V., Tarba S., Makrides A., Trichina E. (2022). Artificial intelligence, robotics, advanced technologies and human resource management: a systematic review. The International Journal of Human Resource Management, 33(6), 1237–1266. DOI: 10.1080/09585192.2020.1871398.
dc.relation.references7. Yadav N., Mundotiya R.K., Singh A.K., Pal S. (2021). Diversity in Recommendation System: A Cluster Based Approach. Advances in Intelligent Systems and Computing, Vol. 1179. DOI: 10.1007/978-3-030-49336-3_12.
dc.relation.references8. Hsieh C. J., Natarajan N., Dhillon I. (2015). PU learning for matrix completion. In International conference on machine learning, PMLR, 2445–2453. URL: http://proceedings.mlr.press/v37/hsiehb15.html.
dc.relation.references9. John MacKrell. (2000). Supporting Collaborative Product Definition via Scaleable, Web-Based PDM. Prepared by CIMdata, Inc.
dc.relation.references10. Sammut C., Webb G. I. (2011). Encyclopedia of machine learning. Springer Science & Business Media. DOI: 10.1007/978-0-387-30164-8.
dc.relation.references11. Aggarwal C. C. (2016). Recommender systems, Vol. 1. Cham: Springer International Publishing. DOI: 10.1007/978-3-319-29659-3.
dc.relation.references12. Meleshko E. V., Semenov S. G., Khokh V. D. (2018). Research on methods of building recommender systems on the Internet. DOI: 10.26906/SUNZ.2018.1.131.
dc.relation.references13. Raza S., Ding C. (2022). News recommender system: a review of recent progress, challenges, and opportunities. Artif. Intell. Rev., 55, 749–800. DOI: 10.1007/s10462-021-10043-x.
dc.relation.references14. Zuo Y., Zeng J., Gong M., Jiao L. (2016). Tag-aware recommender systems based on deep neural networks. Neurocomputing, 204, 51–60. DOI: 10.1016/j.neucom.2015.10.134.
dc.relation.references15. Lytvyn V., Vysotska V., Shatskykh,V., Kohut,I., Petruchenko O., Dzyubyk L., Bobrivetc V., Panasyuk V., Sachenko S., Komar, M. (2019). Design of a recommendation system based on Collaborative Filtering and machine learning considering personal needs of the user. Eastern-European Journal of Enterprise Technologies, 4(2), 6–28. DOI: 10.15587/1729-4061.2019.175507.
dc.relation.references16. Balush I., Vysotska V., Albota S. (2021). Recommendation System Development Based on Intelligent Search, NLP and Machine Learning Methods. CEUR Workshop Proceedings, 584–617.
dc.relation.references17. Demchuk A., Lytvyn V., Vysotska V., Dilai M. (2020). Methods and Means of Web Content Personalization for Commercial Information Products Distribution. Lecture Notes in Computational Intelligence and Decision Making. Vol. 1020. Springer, Cham. DOI: 10.1007/978-3-030-26474-1_24.
dc.relation.references18. Tulashvili Y., Turbal Y., Abd Alkaleg D., Pasichnyk V., Kunanets N. (2020). The Optimal Tour Problem in Smart Tourism Recommender Systems. In IEEE 15th International Conference on Computer Sciences and Information Technologies (CSIT), Vol. 2, 246–250. DOI: 10.1109/CSIT49958.2020.9322043
dc.relation.referencesen1. Grosan C., Abraham A. (2011). Intelligent systems, Vol. 17, 261–268. DOI: 10.1007/978-3-642-21004-4.
dc.relation.referencesen2. Ferré S., Ridoux O. (2004). Introduction to logical information systems. Information Processing & Management, 40(3), 383–419. DOI: 10.1016/S0306-4573(03)00018-9.
dc.relation.referencesen3. Injadat M., Moubayed A., Nassif A.B. et al. (2021). Machine learning towards intelligent systems: applications, challenges, and opportunities. Artif. Intell. Rev., 54, 3299–3348. DOI: 10.1007/s10462-020-09948-w.
dc.relation.referencesen4. Bobadilla J., Ortega F., Hernando A., Bernal J. (2012). A collaborative filtering approach to mitigate the new user cold start problem. Knowledge-based systems, 26, 225–238. DOI: 10.1016/j.knosys.2011.07.021.
dc.relation.referencesen5. Lika B., Kolomvatsos K., Hadjiefthymiades S. (2014). Facing the cold start problem in recommender systems. Expert systems with applications, 41(4), 2065–2073. DOI: 10.1016/j.eswa.2013.09.005.
dc.relation.referencesen6. Vrontis D., Christofi M., Pereira V., Tarba S., Makrides A., Trichina E. (2022). Artificial intelligence, robotics, advanced technologies and human resource management: a systematic review. The International Journal of Human Resource Management, 33(6), 1237–1266. DOI: 10.1080/09585192.2020.1871398.
dc.relation.referencesen7. Yadav N., Mundotiya R.K., Singh A.K., Pal S. (2021). Diversity in Recommendation System: A Cluster Based Approach. Advances in Intelligent Systems and Computing, Vol. 1179. DOI: 10.1007/978-3-030-49336-3_12.
dc.relation.referencesen8. Hsieh C. J., Natarajan N., Dhillon I. (2015). PU learning for matrix completion. In International conference on machine learning, PMLR, 2445–2453. URL: http://proceedings.mlr.press/v37/hsiehb15.html.
dc.relation.referencesen9. John MacKrell. (2000). Supporting Collaborative Product Definition via Scaleable, Web-Based PDM. Prepared by CIMdata, Inc.
dc.relation.referencesen10. Sammut C., Webb G. I. (2011). Encyclopedia of machine learning. Springer Science & Business Media. DOI: 10.1007/978-0-387-30164-8.
dc.relation.referencesen11. Aggarwal C. C. (2016). Recommender systems, Vol. 1. Cham: Springer International Publishing. DOI: 10.1007/978-3-319-29659-3.
dc.relation.referencesen12. Meleshko E. V., Semenov S. G., Khokh V. D. (2018). Research on methods of building recommender systems on the Internet. DOI: 10.26906/SUNZ.2018.1.131.
dc.relation.referencesen13. Raza S., Ding C. (2022). News recommender system: a review of recent progress, challenges, and opportunities. Artif. Intell. Rev., 55, 749–800. DOI: 10.1007/s10462-021-10043-x.
dc.relation.referencesen14. Zuo Y., Zeng J., Gong M., Jiao L. (2016). Tag-aware recommender systems based on deep neural networks. Neurocomputing, 204, 51–60. DOI: 10.1016/j.neucom.2015.10.134.
dc.relation.referencesen15. Lytvyn V., Vysotska V., Shatskykh,V., Kohut,I., Petruchenko O., Dzyubyk L., Bobrivetc V., Panasyuk V., Sachenko S., Komar, M. (2019). Design of a recommendation system based on Collaborative Filtering and machine learning considering personal needs of the user. Eastern-European Journal of Enterprise Technologies, 4(2), 6–28. DOI: 10.15587/1729-4061.2019.175507.
dc.relation.referencesen16. Balush I., Vysotska V., Albota S. (2021). Recommendation System Development Based on Intelligent Search, NLP and Machine Learning Methods. CEUR Workshop Proceedings, 584–617.
dc.relation.referencesen17. Demchuk A., Lytvyn V., Vysotska V., Dilai M. (2020). Methods and Means of Web Content Personalization for Commercial Information Products Distribution. Lecture Notes in Computational Intelligence and Decision Making. Vol. 1020. Springer, Cham. DOI: 10.1007/978-3-030-26474-1_24.
dc.relation.referencesen18. Tulashvili Y., Turbal Y., Abd Alkaleg D., Pasichnyk V., Kunanets N. (2020). The Optimal Tour Problem in Smart Tourism Recommender Systems. In IEEE 15th International Conference on Computer Sciences and Information Technologies (CSIT), Vol. 2, 246–250. DOI: 10.1109/CSIT49958.2020.9322043
dc.relation.urihttp://proceedings.mlr.press/v37/hsiehb15.html
dc.rights.holder© Національний університет “Львівська політехніка”, 2023
dc.rights.holder© Баран М. І., Висоцька В. А., Голощук Р. О., 2023
dc.subjectінтелектуальна інформаційна система
dc.subjectмашинне навчання
dc.subjectхолодний старт
dc.subjectk-means
dc.subjectNeural collaborative filtering
dc.subjectintelligent information system
dc.subjectmachine learning
dc.subjectcold start
dc.subjectk-means
dc.subjectNeural collaborative filtering
dc.subject.udc004.9
dc.titleПрограмна реалізація інтелектуальної системи для вирішення проблеми “холодного старту”
dc.title.alternativeSoftware for the implementation of an intelligent system to solve the problem of “cold start”
dc.typeArticle

Files

Original bundle

Now showing 1 - 2 of 2
Thumbnail Image
Name:
2023n13_Baran_M-Software_for_the_implementation_274-299.pdf
Size:
3.43 MB
Format:
Adobe Portable Document Format
Download
Thumbnail Image
Name:
2023n13_Baran_M-Software_for_the_implementation_274-299__COVER.png
Size:
416.26 KB
Format:
Portable Network Graphics
Download

License bundle

Now showing 1 - 1 of 1
Thumbnail Image
Name:
license.txt
Size:
1.86 KB
Format:
Plain Text
Description:
Download

Collections

Вісник Національного університету "Львівська політехніка". Інформаційні системи та мережі. – 2023. – Випуск 13