Details

Title Исследование и модификация алгоритмов коллаборативной фильтрации для рекомендательных систем платформ цифрового контента: выпускная квалификационная работа магистра: направление 09.04.01 «Информатика и вычислительная техника» ; образовательная программа 09.04.01_15 «Технологии проектирования системного и прикладного программного обеспечения» = Research and modification of collaborative filtering algorithms for recommender systems of digital content platforms
Creators Гафаров Руслан Ирекович
Scientific adviser Полтавцева Мария Анатольевна
Organization Санкт-Петербургский политехнический университет Петра Великого. Институт компьютерных наук и кибербезопасности
Imprint Санкт-Петербург, 2026
Collection Выпускные квалификационные работы ; Общая коллекция
Subjects рекомендательные системы ; коллаборативная фильтрация ; матричная факторизация ; SVD++ ; глубина прочтения ; электронные книги ; BERESTA ; NDCG ; машинное обучение ; recommender systems ; collaborative filtering ; matrix factorization ; reading depth ; e-books ; machine learning
Document type Master graduation qualification work
Language Russian
Level of education Master
Speciality code (FGOS) 09.04.01
Speciality group (FGOS) 090000 - Информатика и вычислительная техника
DOI 10.18720/SPBPU/3/2026/vr/vr26-6578
Rights Доступ по паролю из сети Интернет (чтение)
Additionally New arrival
Record key ru\spstu\vkr\46133
Record create date 11/16/2026

Allowed Actions

–

Action 'Read' will be available if you login or access site from another network

Group Anonymous
Network Internet

Работа посвящена разработке модификации алгоритма коллаборативной фильтрации для рекомендательной системы платформы электронных книг BERESTA. Предложен алгоритм WT-SVD++ (Weighted Temporal SVD++), расширяющий классический SVD++ двумя механизмами: взвешиванием сигнала взаимодействия на основе глубины прочтения и экспоненциальным временным затуханием веса устаревших событий. Выполнено математическое обоснование модифицированной модели, реализован программный комплекс на языке Python, проведён сравнительный эксперимент на синтетических данных. Предложенный алгоритм превосходит базовые SVD и SVD++ по всем метрикам качества: прирост NDCG@10 составил 8,8 % относительно SVD++ и 40,9 % относительно базового SVD. Исследование гиперпараметров подтвердило целесообразность учёта глубины прочтения при формировании рекомендаций. Программный комплекс интегрирован с платформой BERESTA.

The work is devoted to the development of a modification of the collaborative filtering algorithm for the recommender system of the BERESTA e-book platform. The proposed WT-SVD++ algorithm (Weighted Temporal SVD++) extends the classical SVD++ with two mechanisms: weighting of the interaction signal based on reading depth and exponential temporal decay of the weight of outdated events. A mathematical justification of the modified model has been performed, a software complex has been implemented in Python, and a comparative experiment on synthetic data has been conducted. The proposed algorithm outperforms the baseline SVD and SVD++ on all quality metrics: the NDCG@10 improvement is 8.8% over SVD++ and 40.9% over the baseline SVD. The hyperparameter study confirmed the relevance of taking reading depth into account when generating recommendations. The software complex is integrated with the BERESTA platform.

Network User group Action
ILC SPbPU Local Network All
Read
Internet Authorized users SPbPU
Read
Internet Anonymous
  • ВВЕДЕНИЕ
  • ГЛАВА 1. ОБЗОР ПРЕДМЕТНОЙ ОБЛАСТИ
    • 1.1. Актуальность задачи персонализации рекомендаций
      • 1.1.1. Развитие рекомендательных систем и текущее состояние области
      • 1.1.2. Классификация алгоритмов рекомендательных систем
      • 1.1.3. Особенности рекомендаций для платформ электронных книг
      • 1.1.4. Неявная обратная связь и глубина прочтения как сигнал взаимодействия
    • 1.2. Анализ практических решений в области рекомендаций
      • 1.2.1. Amazon Personalize
      • 1.2.2. Goodreads
      • 1.2.3. Библиотека Surprise
      • 1.2.4. Сравнение практических решений
    • 1.3. Требования к разрабатываемой системе
  • ГЛАВА 2. АНАЛИЗ АЛГОРИТМОВ КОЛЛАБОРАТИВНОЙ ФИЛЬТРАЦИИ
    • 2.1. Формальная постановка задачи
    • 2.2. Алгоритм матричной факторизации SVD
    • 2.3. Алгоритм SVD++
    • 2.4. Временные методы: TimeSVD++
    • 2.5. Методы учёта неявной обратной связи: WRMF
    • 2.6. Сводный анализ ограничений
    • 2.7. Ограничения существующих алгоритмов и выбор базы для модификации
  • ГЛАВА 3. РАЗРАБОТКА МОДИФИЦИРОВАННОГО АЛГОРИТМА
    • 3.1. Математическая постановка
    • 3.2. Функция взвешивания по глубине прочтения
    • 3.3. Механизм временного затухания
    • 3.4. Итоговый вес взаимодействия
    • 3.5. Модифицированная модель WT-SVD++
    • 3.6. Алгоритм обучения
    • 3.7. Псевдокод алгоритма
    • 3.8. Формирование рекомендаций
    • 3.9. Особенности обработки холодного старта
  • ГЛАВА 4. РЕАЛИЗАЦИЯ И ЭКСПЕРИМЕНТАЛЬНОЕ ИССЛЕДОВАНИЕ
    • 4.1. Выбор инструментов реализации
    • 4.2. Архитектура программного комплекса
    • 4.3. Реализация алгоритмов
    • 4.4. Клиентский модуль интеграции с платформой BERESTA
    • 4.5. Методика эксперимента
    • 4.6. Результаты сравнительного эксперимента
    • 4.7. Исследование влияния гиперпараметров
      • 4.7.1. Влияние параметра α
      • 4.7.2. Влияние параметра λ
    • 4.8. Обсуждение результатов
  • ЗАКЛЮЧЕНИЕ
  • СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
  • ПРИЛОЖЕНИЕ А. ЛИСТИНГ ПРОГРАММНОЙ РЕАЛИЗАЦИИ
    • А.1. Модуль генерации синтетических данных (synthetic.py)
    • А.2. Модуль реализации алгоритмов (algorithms.py)
    • А.3. Модуль метрик качества (evaluation.py)
    • А.4. Модуль функций взвешивания (weighting.py)
...