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 |
|
| Интернет | Авторизованные пользователи СПбПУ |
|
| 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
- 1.1. Актуальность задачи персонализации рекомендаций
- 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)