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): электронныйRecord 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 | |||||
Internet | Readers | |||||
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
- 1.1 Типы 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
Access count: 1
Last 30 days: 1 Detailed usage statistics |