Детальная информация

Тема выпускной квалификационной работы: «Контекстно зависимая рекомендательная система контента для астрологического приложения». В работе разрабатывается гибридная система для рекомендации контента в ленте астрологического приложения. Существующие датинг сервисы (Tinder, Bumble) не учитывают глубинную совместимость людей. Астрологические приложения (Co-Star, Sanctuary) дают анализ, но не позволяют общаться или искать партнеров. Эта работа закрывает этот разрыв. Проведен обзор рынка и алгоритмов рекомендаций: коллаборативная фильтрация, контентные методы, контекстно зависимые подходы. У каждого подхода есть минусы. Основные проблемы: холодный старт (новый пользователь или новая публикация) и неумение работать со сложной структурой контента. В приложении каждая публикация содержит основной материал и мини-комментарий другого пользователя. Тональность этого комментария (позитивная или негативная) влияет на решение читать дальше. Также учитываются время суток, глубина просмотра, дочитывание. Спроектирована гибридная нейросетевая модель на слиянии признаков (feature fusion). В модели три ветки: эмбеддинги пользователя (интересы и астрологические данные), эмбеддинги контента (тема, формат, тональность мини-комментария), контекстные признаки (время суток, последние действия в сессии). Эта конструкция решает проблему холодного старта. Без истории взаимодействий система опирается на контент и контекст. Со временем подключается коллаборативная составляющая. Технологии. Клиент на React Native (один код для Android и iOS). Сервер на Python и FastAPI (асинхронный, быстрый, автодокументация). База данных 3 PostgreSQL (профили, натальные карты, логи). Машинное обучение на PyTorch (гибкая архитектура). Астрологические расчеты через Swiss Ephemeris (данные NASA JPL), выполняются один раз при регистрации. Инфраструктура: Docker (одинаковые среды), Redis (кэш и очереди), Celery (фоновые задачи: пересчет эмбеддингов, уведомления). Получен рабочий прототип с документацией. Проведено сравнение гибридной модели с чисто коллаборативными и чисто контентными методами. Результаты показывают, что добавление контекстных признаков и тональности комментариев повышает точность рекомендаций. Реализован RESTful API для выдачи персонализированной ленты. Основные выводы докладывались на внутреннем семинаре кафедры.

Title: «Context-Aware Content Recommender System for an Astrological Application». This work develops a hybrid system for content recommendation in an astrological app feed. Existing dating services (Tinder, Bumble) do not consider deep compatibility. Astrological apps (Co-Star, Sanctuary) provide analysis but lack social features like messaging or partner search. This work fills that gap. A review of the market and recommendation algorithms was conducted: collaborative filtering, content-based methods, context-aware approaches. Each has drawbacks. Main problems: cold start (new user or new post) and inability to handle complex content structure. In the app, each post contains a main part and a mini comment from another user. The sentiment of this comment (positive or negative) affects the decision to read further. Time of day, view duration, and reading completion are also considered. A hybrid neural model based on feature fusion was designed. The model has three branches: user embeddings (interests and astrological data), content embeddings (topic, format, mini-comment sentiment), and context features (time of day, recent session actions). This solves the cold start problem. Without interaction history, the system relies on content and context. Over time, the collaborative component is added. Technology stack. Client: React Native (single codebase for Android and iOS). Server: Python and FastAPI (asynchronous, fast, auto-documentation). Database: PostgreSQL (profiles, natal charts, logs). Machine learning: PyTorch (flexible architecture). Astrological calculations: Swiss Ephemeris (NASA JPL data), run once at registration. Infrastructure: Docker (consistent environments), Redis (cache and queues), Celery (background tasks: embedding updates, notifications). A working prototype with documentation was produced. A comparison of the hybrid model with pure collaborative and pure content-based methods was conducted. Results show that adding context features and comment sentiment improves recommendation accuracy. A RESTful API serves the personalized feed. Key findings were presented at an internal departmental seminar.

• ЗАДАНИЕ
  • на выполнение выпускной квалификационной работы
• РЕФЕРАТ
• ABSTRACT
• СОДЕРЖАНИЕ
• СПИСОК СОКРАЩЕНИЙ И ОПРЕДЕЛЕНИЙ
• ВВЕДЕНИЕ
• ГЛАВА 1. ОБЗОР ПРЕДМЕТНОЙ ОБЛАСТИ
  • 1.1. Контекстно зависимые рекомендательные системы
  • 1.2. Основные подходы к рекомендации контента
  • 1.3. Анализ существующих программных продуктов на рынке
  • 1.4. Анализ рынка специализированных астрологических приложений
  • 1.5. Нишевые астрологические дейтинг-решения
  • 1.6. Сравнение архитектурных подходов
• ГЛАВА 2. ПРОЕКТИРОВАНИЕ И ВЫБОР СРЕДСТВ РЕАЛИЗАЦИИ РЕШЕНИЯ
  • 2.1. Требования к разрабатываемому решению
  • 2.1.1. Требования к безопасности
  • 2.1.2. Архитектура гибридной рекомендательной модели
• ГЛАВА 3. ПРАКТИЧЕСКАЯ РЕАЛИЗАЦИЯ
  • 3.1. Технологический стек
  • 3.2. Клиентская часть
  • 3.3. Серверная часть
  • 3.4. Сетевые технологии
  • 3.5. Дополнительные инструменты
  • 3.6. Реализация серверной части
  • 3.7. Реализация клиентской части (React Native)
  • 3.7.1. Синтез данных
  • 3.7.2. Архитектура модели
  • 3.7.3. Обучение и подбор параметров
  • 3.7.4. Метрики оценки
  • 3.7.5. Интеграция с сервером
  • 3.8. Контейнеризация и развёртывание
• ГЛАВА 4. РЕЗУЛЬТАТЫ ТЕСТИРОВАНИЯ И ОЦЕНКА ЭФФЕКТИВНОСТИ
  • 4.1. Тестирование модулей и интеграции
  • 4.2. Сравнительный эксперимент
  • 4.3. Пилотное тестирование на добровольцах
  • 4.4. Оценка эффективности
• ЗАКЛЮЧЕНИЕ
• СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ