Details

Title: Анализ алгоритмов персонализированных рекомендаций на основе данных о поведении пользователей: выпускная квалификационная работа магистра: направление 09.04.04 «Программная инженерия» ; образовательная программа 09.04.04_02 «Основы анализа и разработки приложений с большими объемами распределенных данных»
Creators: Фань Инган
Scientific adviser: Тутыгин Владимир Семенович
Organization: Санкт-Петербургский политехнический университет Петра Великого. Институт компьютерных наук и технологий
Imprint: Санкт-Петербург, 2022
Collection: Выпускные квалификационные работы; Общая коллекция
Subjects: Алгоритмы; рекомендательные системы; электронная коммерция; большие данные; коллаборативная фильтрация; recommendation system; e-commerce; big data; collaborative filtering
UDC: 004.421
LBC: 65.290с51
Document type: Master graduation qualification work
File type: PDF
Language: Russian
Level of education: Master
Speciality code (FGOS): 09.04.04
Speciality group (FGOS): 090000 - Информатика и вычислительная техника
DOI: 10.18720/SPBPU/3/2022/vr/vr22-3988
Rights: Доступ по паролю из сети Интернет (чтение, печать, копирование)
Record key: ru\spstu\vkr\18219

Allowed Actions:

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

Group: Anonymous

Network: Internet

Annotation

Информационные технологии развиваются быстрыми темпами с момента своего появления, а развитие Интернета сблизило людей. Со временем данные в Интернете становятся все более сложными, и проблема информационной перегрузки становится все более серьезной. Проблема информационной перегрузки становится все более серьезной, и вызывает озабоченность, как найти полезную информацию в огромном количестве данных. Рекомендательные системы были придуманы для решения этой проблемы, и на протяжении многих лет они развивались с большим успехом в таких областях, как рекомендация фильмов, рекомендация музыки, социальные сети и электронная коммерция. Алгоритмы рекомендаций являются краеугольным камнем рекомендательных систем, и исследователи придумали множество различных алгоритмов рекомендаций для различных сценариев рекомендаций. Однако ни один алгоритм рекомендации не может решить все проблемы. Объединяя сильные стороны нескольких методов рекомендации и дополняя их слабые стороны, гибридная рекомендация может эффективно смягчить недостатки одного метода рекомендации. В данной работе разработана и внедрена рекомендательная система электронной коммерции на основе технологии больших данных, основанная на идее гибридной рекомендации. Работа разделена на две части: проектирование и реализация, во-первых, анализ требований к системе и общая архитектура проектирования системы.

Since the birth of information technology, it has been known to maintain a trend of rapid development, and the development of Internet technology has made the relationship between people closer. As time goes by, the data in the network becomes more and more complicated, and the problem of information overload becomes more and more serious. How to obtain useful information from huge amounts of data has become a problem that people pay attention to. The recommendation system was invented to solve this problem. After years of development, the recommendation system has had relatively successful experience in areas including movie recommendation, music recommendation, social networking, and e-commerce. The recommendation algorithm is the cornerstone of the recommendation system. At present, researchers have proposed a variety of different recommendation algorithms to adapt to different recommendation scenarios. However, no recommendation algorithm can solve all the problems. Mixed recommendation can effectively alleviate the defects of a single recommendation method by combining the strengths of multiple recommendation methods and taking advantage of the shortcomings. Based on a mixed recommendation idea, this paper designs and implements an e-commerce recommendation system based on big data technology. The work content is divided into two parts: design and implementation. First, the system needs to be analyzed, and the overall architecture of the system is designed.

Document access rights

Network User group Action
ILC SPbPU Local Network All Read Print Download
External organizations N2 All Read
External organizations N1 All
Internet Authorized users SPbPU Read Print Download
Internet Authorized users (not from SPbPU, N2) Read
Internet Authorized users (not from SPbPU, N1)
-> Internet Anonymous

Usage statistics

stat Access count: 0
Last 30 days: 0
Detailed usage statistics