Детальная информация

Название 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
Авторы Гафаров Руслан Ирекович
Научный руководитель Полтавцева Мария Анатольевна
Организация Санкт-Петербургский политехнический университет Петра Великого. Институт компьютерных наук и кибербезопасности
Выходные сведения Санкт-Петербург, 2026
Коллекция Выпускные квалификационные работы ; Общая коллекция
Тематика 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
Тип документа Выпускная квалификационная работа магистра
Язык Русский
Уровень высшего образования Магистратура
Код специальности ФГОС 09.04.01
Группа специальностей ФГОС 090000 - Информатика и вычислительная техника
DOI 10.18720/SPBPU/3/2026/vr/vr26-6578
Права доступа Доступ по паролю из сети Интернет (чтение)
Дополнительно Новинка
Ключ записи ru\spstu\vkr\46133
Дата создания записи 16.11.2026

Разрешенные действия

–

Действие 'Прочитать' будет доступно, если вы выполните вход в систему или будете работать с сайтом на компьютере в другой сети

Группа Анонимные пользователи
Сеть Интернет

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.

Место доступа Группа пользователей Действие
Локальная сеть ФБ СПбПУ Все
Прочитать
Интернет Авторизованные пользователи СПбПУ
Прочитать
Интернет Анонимные пользователи
  • 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)
...