SurSU Electronic Library

     
?

Details
Card Table RUSMARC

Кожихова, Ксения Евгеньевна. Разработка рекомендательной системы по подбору видеоконтента для онлайн-кинотеатров: магистерская диссертация: 01.04.02 Прикладная математика и информатика / К. Е. Кожихова; научный руководитель И. В. Чалей; БУ ВО Ханты-Мансийского автономного округа – Югры "Сургутский государственный университет", Политехнический институт, Кафедра прикладной математики. — Электронные текстовые данные. — Сургут, 2024. — 1 файл (3461589 байт). — Коллекция: Выпускные квалификационные работы. — Заглавие с титульного экрана. — Режим доступа: Корпоративная сеть СурГУ или с любой точки подключения к Интернет по логину и паролю. — <URL:https://elib.surgu.ru/fulltext/vkr/2024/11879>. — Текст (визуальный): электронный

Record create date: 6/30/2024

Collections: Выпускные квалификационные работы

Allowed Actions: –

Action 'Read' will be available if you login or access site from another network

Group: Anonymous

Network: Internet

Document access rights

Network User group Action
SL SurSU Local Network All Read
Internet Readers Read
-> Internet Anonymous

Table of Contents

  • Титульный лист_Кожихова КЕ
  • Задание_Кожихова К.Е
  • Отзыв_Кожихова К.Е
  • Рецензия_Кожихова К.Е
    • Рисунок (40)
    • Рисунок (42)
  • Согласие на размещение в ЭБС_Кожихова К.Е
  • Выписка из протокола_Кожихова К.Е
  • Текст диссертации_Кожихова К.Е
    • ВВЕДЕНИЕ
    • 1 Рекомендательные системы
      • 1.1 Типы рекомендательных систем
        • 1.1.1 Совместная фильтрация (collaborative filtering)
        • 1.1.2 Гибридные рекомендательные системы (hybrid recommender systems)
        • 1.1.3 Рекомендательная система, основанная на нейронных сетях
      • 1.2 Методы построения рекомендательных систем
        • 1.2.1 Co-Clustering
        • 1.2.2 KNNBaseline
        • 1.2.3 KNNBasic
        • 1.2.4 KNNWithZScore
        • 1.2.5 NMF
        • 1.2.6 SlopeOne
        • 1.2.7 k-Means
        • 1.2.8 SVD
        • 1.2.9 Рекомендательная система, построенная на архитектуре DLRM
      • 1.3 Критерии для оценки качества рекомендательной системы
      • 1.4 Проблемы в работе рекомендательных систем
    • 2 Обучение рассматриваемых методов и сравнительный анализ для выбора наилучшего алгоритма
      • 2.1 Описание используемых данных
      • 2.2 Алгоритм обучения
      • 2.3 Результаты обучения по выдаче рекомендаций
        • 2.3.1 Co-Clustering
        • 2.3.2 KNNBaseline
        • 2.3.3 KNNBasic
        • 2.3.4 KNNWithZScore
        • 2.3.5 NMF
        • 2.3.6 SlopeOne
        • 2.3.7 k-Means
        • 2.3.8 SVD
        • 2.3.9 Нейронная сеть на архитектуре DLRM
        • 2.3.10 k-Means + SVD
        • 2.3.11 KNNBasic + k-Means
        • 2.3.12 KNNBasic + SVD
      • 2.4 Выбор алгоритма для реализации рекомендательной системы
    • 3 Реализация рекомендательной системы на основе выбранного метода
      • 3.1 Разработка алгоритма
      • 3.2 Проектирование базы данных
      • 3.3 Проектирование графического интерфейса
      • 3.4 Разработка API
      • 3.5 Результат разработки рекомендательной системы на архитектуре DLRM
    • ЗАКЛЮЧЕНИЕ
    • СПИСОК ИСПОЛЬЗУЕМЫХ ИСТОЧНИКОВ
    • ПРИЛОЖЕНИЕ А Шаблон для сбора критериев качества PatternMetrics.py
    • ПРИЛОЖЕНИЕ Б Обучение по методу SVD SVD.py
    • ПРИЛОЖЕНИЕ В Обучение по методу k-Means kmeans.py
    • ПРИЛОЖЕНИЕ Г Обучение по методу Co-Clustering coclustering.py
    • ПРИЛОЖЕНИЕ Д Обучение по методу KNNBaseline knnbaseline.py
    • ПРИЛОЖЕНИЕ Е Обучение по методу KNNBasic knnbasic.py
    • ПРИЛОЖЕНИЕ Ж Обучение по методу KNNWithZScore knnwithzscore.py
    • ПРИЛОЖЕНИЕ И Обучение по методу NMF nmf.py
    • ПРИЛОЖЕНИЕ К Обучение по методу SlopeOne slopeone.py
    • ПРИЛОЖЕНИЕ Л Обучение с помощью нейронной сети сustomneuro.py
    • ПРИЛОЖЕНИЕ М Обучение гибридным методом kMeans-SVD kmeanssvd.py
    • ПРИЛОЖЕНИЕ Н Обучение гибридным методом KNNBasic-kMeans knnbasickmeans.py
    • ПРИЛОЖЕНИЕ П Обучение гибридным методом KNNBasic-SVD knnbasicsvd.py
    • ПРИЛОЖЕНИЕ Р Первоначальный запуск и настройка БД db_setup.py
    • ПРИЛОЖЕНИЕ С Реализация графического интерфейса административной панели gui_rec_sys.py
    • ПРИЛОЖЕНИЕ Т Реализация API интерфейса api_rec.py
    • ПРИЛОЖЕНИЕ У Проверка конечного результата check_result.py

Usage statistics

stat Access count: 1
Last 30 days: 1
Detailed usage statistics