Таблица | Карточка | RUSMARC | |
Разрешенные действия: –
Действие 'Прочитать' будет доступно, если вы выполните вход в систему или будете работать с сайтом на компьютере в другой сети
Действие 'Загрузить' будет доступно, если вы выполните вход в систему или будете работать с сайтом на компьютере в другой сети
Группа: Анонимные пользователи Сеть: Интернет |
Аннотация
С быстрым ростом Интернета количество пользователей Интернета и объем цифровой информационной нагрузки значительно возрастают. Этот рост цифровой информации день ото дня увеличивает важность рекомендательных систем. Эти системы используются во многих областях, таких как фильмы, музыка, электронное обучение на веб-сайтах. Существует множество методов разработки рекомендательных систем. Одним из таких методов является гибридный метод. Гибридные системы рекомендаций используют два или более метода фильтрации для создания лучших и точных моделей рекомендаций. В этом документе представлена гибридная система рекомендаций для набора данных фильма Movielens. Предлагаемый метод представляет собой реализацию контентной фильтрации с использованием косинусного сходства и основанной на модели совместной фильтрации с использованием SVD. Этот новый подход повышает точность рекомендуемых фильмов. И, наконец, проводится оценка предложенной модели.
With the rapid growth of the internet, the number of internet users and the amount of digital information load are increasing tremendously. This growth in digital information has increased the importance of recommender systems day by day. These systems are used for many areas such as movies, music, e-learning on websites. There are many methods to develop recommendation systems. One of these methods is the Hybrid method. Hybrid recommendation systems use two or more filtering techniques to create better and accurate recommendation models. This paper introduces a hybrid recommender system for the movie dataset Movielens. The proposed method is the implementation of Content-Based Filtering by Using Cosine Similarity and Model-based Collaborative Filtering by Using SVD. This new approach increases the accuracy of the recommended movies. And finally, evaluation is done for the proposed model.
Права на использование объекта хранения
Место доступа | Группа пользователей | Действие | ||||
---|---|---|---|---|---|---|
Локальная сеть ИБК СПбПУ | Все | |||||
Интернет | Авторизованные пользователи СПбПУ | |||||
Интернет | Анонимные пользователи |
Оглавление
- ВВЕДЕНИЕ
- ГЛАВА 1. АНАЛИЗ ПРЕДМЕТНОЙ ОБЛАСТИ
- 1.1. Система рекомендаций
- 1.1.1. Контентная фильтрация
- 1.1.2. Совместная фильтрация
- 1.1.2.1. Совместная фильтрация на основе памяти
- 1.1.2.2. Совместная фильтрация Совместная фильтрация на основе моделей
- 1.1.3. Гибридная рекомендация
- 1.2. Известные рекомендательные системы
- 1.2.1.1. Netflix
- 1.2.1.2. Spotify
- 1.2.1.3. Youtube
- 1.2.1.4. Kinopoisk
- 1.1. Система рекомендаций
- ГЛАВА 2. ПОСТАНОВКА ПРОБЛЕМЫ
- 2.1. Выбор функции
- 2.2. Сходство измерения
- 2.3. Нахождение скрытого фактора
- ГЛАВА 3. АРХИТЕКТУРА СИСТЕМЫ
- 3.1. Контентная фильтрация с использованием косинусного сходства
- 3.2. Совместная фильтрация на основе моделей с использованием SVD
- 3.3. Гибридная модель
- ГЛАВА 4. РЕАЛИЗАЦИЯ СИСТЕМЫ
- 4.1. Используемые технологии
- 4.2. Исследовательский анализ данных(EDA)
- 4.3. Контент-ориентированная модель
- 4.4. Совместная фильтрация на основе моделей с использованием SVD
- 4.5. Гибридная модель
- ГЛАВА 5. Анализ результатов
- 5.1. Контент-ориентированная модель
- 5.2. Совместная фильтрация на основе моделей с использованием SVD
- 5.3. Гибридная модель
- ЗАКЛЮЧЕНИЕ
- СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ
Статистика использования
Количество обращений: 61
За последние 30 дней: 1 Подробная статистика |