Details

В работе решается задача разработки веб-ориентированной информационной системы для создания, публикации и прохождения викторин. Разработана персонализированная рекомендательная подсистема, подбирающая контент на основе характеристик пользователей и истории их взаимодействий с системой. Система построена на клиент-серверной архитектуре и включает набор серверных микросервисов, реляционную базу данных и рекомендательную подсистему. В качестве технологического стека использованы Spring Boot, PyTorch, PostgreSQL, RabbitMQ. Реализованы регистрация пользователей, создание и редактирование викторин, прохождение тестов, хранение истории взаимодействий и формирование персональных рекомендаций. Алгоритмическое ядро подсистемы — двухбашенная нейронная сеть (Two-Tower Model). Пользователи и викторины представлены раздельными эмбеддинг-моделями; их актуализация выполняется фоновым воркером, обрабатывающим изменения данных в режиме, близком к реальному времени. Тестирование охватило серверные модули, рекомендательную систему и сервис генерации эмбеддингов; реализовано более 30 модульных тестов. Экспериментальная оценка подтвердила работоспособность модели и корректность выявления предпочтений пользователей.

This thesis addresses the task of developing a web-based information system for creating, publishing, and taking quizzes. A personalized recommendation subsystem has been developed that selects content based on user characteristics and their interaction history with the system. The system is built on a client-server architecture and includes a set of server microservices, a relational database, and a recommendation subsystem. The technology stack includes Spring Boot, PyTorch, PostgreSQL, and RabbitMQ. User registration, quiz creation and editing, test-taking, interaction history storage, and the generation of personalized recommendations have been implemented. The algorithmic core of the subsystem is a two-tower neural network (Two-Tower Model). Users and quizzes are represented by separate embedding models; these are updated by a background worker that processes data changes in near real time. Testing covered server modules, the recommendation system, and the embedding generation service; over 30 modular tests were conducted. Experimental evaluation confirmed the model’s functionality and the accuracy of identifying user preferences.

• РЕФЕРАТ
• ABSTRACT
• СОДЕРЖАНИЕ
• СПИСОК ИЛЛЮСТРАЦИЙ
• СПИСОК ТАБЛИЦ
• ОПРЕДЕЛЕНИЯ, ОБОЗНАЧЕНИЯ И СОКРАЩЕНИЯ
• ВВЕДЕНИЕ
• ГЛАВА 1. ОБОСНОВАНИЕ АКТУАЛЬНОСТИ РАБОТЫ
• ГЛАВА 2. ОБЗОР ПРЕДМЕТНОЙ ОБЛАСТИ
  • 2.1 Общий анализ существующих решений
  • 2.2 Функциональные требования к системе
  • 2.3 Анализ целевой функциональности
  • 2.4 Вывод по конкурентному анализу
• ГЛАВА 3. АРХИТЕКТУРА ПРИЛОЖЕНИЯ
  • 3.1 Архитектура модели
  • 3.2 Архитектура системы сбора данных
  • 3.3 Архитектура рекомендательной системы
• ГЛАВА 4. ИНСТРУМЕНТЫ РЕАЛИЗАЦИИ
  • 4.1 Язык программирования
  • 4.2 Фреймворк для API
  • 4.3 Фреймворк для нейронной сети
  • 4.4 СУБД
  • 4.5 Брокер сообщений
  • 4.6 Контейнеризация
• ГЛАВА 5. РЕАЛИЗАЦИЯ СИСТЕМЫ
  • 5.1 Система сбора данных
  • 5.2 Нейронная модель рекомендаций
    • 5.2.1 Структура обучающего набора данных
    • 5.2.2 Построение модели
  • 5.3 Система формирования эмбеддингов пользователей и викторин
• ГЛАВА 6. ТЕСТИРОВАНИЕ СИСТЕМЫ
  • 6.1 Тестирование системы сбора данных
  • 6.2 Тестирование модель рекомендаций
  • 6.3 Тестирование воркера и векторного поиска
  • 6.4 Итоги тестирования
• ЗАКЛЮЧЕНИЕ
• СПИСОК ИСПОЛЬЗУЕМЫХ ИСТОЧНИКОВ
• ПРИЛОЖЕНИЕ