2023 рік

Permanent URI for this community

https://dspace.snu.edu.ua/handle/123456789/4

Browse

Browsing 2023 рік by Subject "machine learning algorithms"

Now showing 1 - 1 of 1
  • No Thumbnail Available
    Item
    Моделі машинного навчання для формування рекомендацій.
    (СНУ ім. В. Даля, 2023) Шумова, Л. О.; Рязанцев, О. І.; Покришка, С. А.; Shumova, L.; Ryazantsev, О.; Pokrishka, S.
    У статті представлено експериментальне дослідження моделей глибоких нейронних мереж для формування релевантних рекомендацій користувачу інтернет-ресурсів. Рекомендаційна система представляє програмний засіб, що використовує певний алгоритм фільтрації та наявну інформацію про потреби користувача, щоб рекомендувати йому релевантний набір об’єктів, які будуть найбільш корисними для нього. Аналіз останніх досліджень і публікацій в області впровадження рекомендаційних систем показав, що підвищення якості пропозицій рекомендаційних систем на основі методів машинного навчання є актуальною задачею. Використання нейронних мереж у рекомендаційних системах може підвищити ефективність та зручність використання цих систем. Метою дослідження є підвищення якості пропозицій рекомендаційних систем на основі методів машинного навчання. В ході досліджень систематизовано сукупність етапів та визначено методологію побудови ефективної рекомендаційної системи з використанням методів машинного навчання. Визначені засоби, формалізовані етапи, представлена технічна блоксхема розробки нейронної рекомендаційної системи. Побудовано моделі двох систем з використанням колаборативної фільтрації й глибокої матричної факторизації. Проведено аналіз продуктивності цих систем за допомогою таких показників, як точність, повнота та нормалізований дисконтований кумулятивний виграш. Дослідження проведені з використанням таких алгоритмів оптимізації: SGD, RMSprop, ADAdelta і FTRL. Результати експериментального дослідження моделей глибоких нейронних мереж для формування рекомендацій у різних сценаріях показали, що продуктивність нейронних систем рекомендацій може сильно відрізнятися в залежності від типу використовуваної моделі пошуку, кількості та якості даних, а також архітектури та методу навчання мережі. За результатами проведених експериментів визначено оптимальні алгоритми навчання моделі нейромережевої рекомендаційної системи для вирішення певної задачі в залежності від характеру вихідних даних. Експериментальне дослідження проведено за допомогою мови програмування Python, з використанням бібліотеки TensorFlow. У роботі використано вільно доступні набори даних про рейтинги фільмів наданих користувачами сайту MovieLens.