Детальная информация

Тема выпускной квалификационной работы: «Разработка и внедрение алгоритмов рекомендационных систем на основе эвристических методов» Задачи, которые решались в ходе исследования: 1) Проведение анализа существующих алгоритмов рекомендаций, основанных на эвристических методах, и их применимости к задачам конкретной платформы. 2) Разработка алгоритмов на основе эвристических методов, учитывающих свойства данных и специфические требования платформы; 3) Тестирование разработанных алгоритмов на реальных данных; 4) Внедрение разработанных алгоритмов в действующую инфраструктуру системы. В рамках работы было проведено исследование существующих методов рекомендаций, включая контентные, коллаборативные и гибридные подходы. Особое внимание уделялось эвристическим методам, которые позволяют учесть особенности данных, специфические зависимости между пользователями и объектами, а также оптимизировать работу системы при ограниченных вычислительных ресурсах. После разработки алгоритмов были проведены несколько этапов испытаний: внутреннее тестирование разработчиком, экспериментальное тестирование на реальных данных заказчика и внешняя проверка на ограниченной выборке пользователей. На основании собранной обратной связи были доработаны основные модули системы, исправлены ошибки и улучшена производительность. В результате работы был создан модуль рекомендаций, основанный на эвристических методах, который успешно интегрирован в существующую инфраструктуру.

The topic of the final thesis: "Development and implementation of algorithms for recommendation systems based on heuristic methods" Tasks that were solved during the research: 1) Analyzing existing recommendation algorithms based on heuristic methods and their applicability to the tasks of a particular platform. 2) Development of algorithms based on heuristic methods that take into account data properties and platform-specific requirements; 3) Testing the developed algorithms on real data; 4) Implementation of the developed algorithms into the existing system infrastructure. The work included a study of existing recommendation methods, including content-based, collaborative, and hybrid approaches. Special attention was paid to heuristic methods that allow taking into account data features, specific dependencies between users and objects, as well as optimizing system operation with limited computing resources. After the algorithms were developed, several stages of testing were carried out: internal testing by the developer, experimental testing on real customer data, and external verification on a limited sample of users. Based on the feedback collected, the main modules of the system were finalized, bugs were fixed and performance was improved. As a result, a recommendation module based on heuristic methods was created, which is successfully integrated into the existing infrastructure.