Використання GPT моделей для генерування персоналізованих рекомендацій

Abstract

Магістерська кваліфікаційна робота виконана студентом групи КНСШ-22 Яремком Святославом Богдановичем. Тема “Використання GPT моделей для генерування персоналізованих рекомендацій”. Робота направлена на здобуття ступеня магістр за спеціальністю 122 «Комп’ютерні науки». Об’єктом дослідження є процес пошуку результатів із використанням великих мовних моделей. Предметом досліджень є методи та алгоритми побудови пошукових, рекомендаційних систем. Досягнення мети магістерської кваліфікаційної роботи включає в собі вивчення предметної області, аналіз існуючих підходів та алгоритмів, а також впровадження персоналізованої пошукової системи, яка використовує сучасні великі мовні моделі для надання адаптивних результатів пошуку. У результаті виконання магістерської кваліфікаційної роботи вдалося розробити ефективну систему, та провести її детальне тестування та оцінку продуктивності. Проведено аналіз ефективності системи у різних сценаріях використання, що дозволило підтвердити її практичну цінність і виявити ключові переваги. Крім того, вдалося ідентифікувати потенційні обмеження використання великих мовних моделей для персоналізованого пошуку. Виявлені недоліки дозволяють сформулювати напрями для подальших досліджень, спрямованих на покращення інтерграції великих мовних моделей у системи персоналізованих рекомендацій. На основі проведених наукових досліджень було опубліковано наукову працю – наукову статтю по темі магістерської роботи у науковому журналі. Загальний обсяг роботи: 68 сторінок, 7 рисунків, 17 посилань. Master’s degree work of the student of the group CSAI-22 Yaremko Svіatoslav Bogdanovych. The topic is "Using GPT models to generate personalized recommendations". The work is aimed at obtaining a master's degree in 122 "Computer Science". The object of research is the process of finding results using large language models. The subject of research are methods and algorithms for building search and recommendation systems. The goal of the master's qualification thesis includes studying the subject area, analyzing existing approaches and algorithms, and implementing a personalized search system that leverages modern large language models to provide adaptive personalized search results. As a result of the Master's qualification thesis, an efficient system was developed, thoroughly tested, and its performance evaluated. An analysis of the system's efficiency in various usage scenarios was conducted, confirming its practical value and identifying key advantages. Additionally, potential limitations of using large language models for personalized search were identified. These findings allowed for the formulation of directions for further research aimed at improving the integration of large language models into personalized recommendation systems. Based on the conducted scientific research, a scientific article on the topic of the Master's thesis was published in a scientific journal. Total volume of work: 68 pages, 7 figures, 17 references.