Детальная информация

Тема выпускной квалификационной работы: «Использование языковой модели в рамках рекомендательной системы туров пользователю на площадке по продаже туров для путешествий». Данная работа посвящена применению и дообучению языковой модели на основе T-Lite-It-1.0 для обработки и анализа текстовых отзывов пользователей о туристических турах. В рамках исследования разработана методика трансформации отзывов в числовое представление по двум координатам (материальное и эмоциональное удовлетворение) с последующей интерпретацией и визуализацией результатов кластеризации. Работа проведена на основе синтетически сгенерированных данных, сгруппированных по туристическим маршрутам. Был разработан алгоритм классификации по эмоциональной окраске и уровню критичности, а также реализованы средства визуализации, позволяющие отслеживать распределение отзывов по смысловым зонам. Визуальный анализ проводился с использованием методов двумерной кластеризации. В результате была построена система анализа и оценки отзывов, способная выявлять эмоциональные и логистические особенности туров по отзывам пользователей. Для достижения данных результатов в работе были использованы следующие информационные технологии: языковая модель T-Lite-It-1.0, среда выполнения Kaggle Notebooks, библиотека Hugging Face Transformers для загрузки и дообучения модели, фреймворк PyTorch для обучения нейросетей.

The subject of the graduate qualification work: “Using a Language Model within a Tour Recommendation System on a Travel Sales Platform”. This work is dedicated to the application and fine-tuning of a language model based on T-Lite-It-1.0 for processing and analyzing user reviews of tourist trips. The study develops a method for transforming reviews into numerical coordinates representing two dimensions: material satisfaction and emotional satisfaction, followed by interpretation and visualization through clustering analysis. The research is based on synthetically generated data, grouped by tourist routes. An algorithm was developed to classify reviews by emotional tone and criticality level, along with visualization tools to track the distribution of reviews across semantic zones. Visual analysis was conducted using two-dimensional clustering techniques. As a result, a system for analyzing and evaluating reviews was created, capable of identifying emotional and logistical features of tours based on user feedback. To achieve these results, the following information technologies were used in the project: the T-Lite-It-1.0 language model, Kaggle Notebooks as the computational environment, the Hugging Face Transformers library for loading and fine-tuning the model, the PyTorch framework for neural network training, and additional tools such as Matplotlib, Seaborn, and Pandas for data visualization and analysis.