Цель данной работы заключается в анализе методов, применяемых для разработки рекомендательных систем, и разработке собственной системы для рекомендации фильмов. В работе рассматриваются различные типы рекомендательных систем и методы машинного обучения, используемые в рекомендательных системах. Для создания коллаборативной системы рекомендаций используются такие методы, как сингулярное разложение, стохастический градиентный спуск с применением регуляризатора и добавлением импульса. Для решения проблемы холодного старта и создания системы, основанной на содержании, проводится анализ жанров фильмов с использованием метода TF-IDF. Полученные значения обрабатываются методом ближайших соседей, что позволяет учесть предпочтения пользователей. Точность каждого разработанного метода проверяется на регрессионных метриках: среднеквадратичное отклонение, корень из среднеквадратичного отклонения, среднее абсолютное отклонение. В рамках работы создается база данных, в которой хранится информация с оценками пользователей, и разрабатывается telegram-бот, в котором комбинируются разработанные алгоритмы и используются для создания персонализированных рекомендаций фильмов.

The aim of this thesis is to analyze the methods that are used to develop recommendation systems, and to develop my own system for movie recommendation. The paper examines different types of recommender systems and the machine learning techniques used in recommender systems. Methods such as singular decomposition, stochastic gradient descent with regularizer application and momentum addition are used to design a collaborative recommendation system. In order to solve the problem of cold start and create a content-based system, movie genres are analyzed using TF-IDF method. The resulting values are processed using the nearest neighbour method, which allows user preferences to be taken into account. The accuracy of each developed method is tested on regression metrics: mean squared error, root mean squared error, mean absolute error. As part of the work, a database is created to store information with user ratings, and a telegram-bot is developed that combines the developed algorithms and is used to create personalized movie recommendations.