Детальная информация
| Название | Разработка гибридной системы рекомендаций одежды на основе трансферного обучения и онтологического моделирования. Модуль ранжирования рекомендаций на основе экспертных правил и онтологии: выпускная квалификационная работа магистра: направление 09.04.01 «Информатика и вычислительная техника» ; образовательная программа 09.04.01_20 «Проектирование интеллектуальных компьютерных систем» = Development of a hybrid clothing recommendation system based on transfer learning and ontology modeling. A recommendation ranking module based on expert rules and ontology |
|---|---|
| Авторы | Пушин Максим Вадимович |
| Научный руководитель | Болсуновская Марина Владимировна |
| Организация | Санкт-Петербургский политехнический университет Петра Великого. Институт компьютерных наук и кибербезопасности |
| Выходные сведения | Санкт-Петербург, 2026 |
| Коллекция | Выпускные квалификационные работы ; Общая коллекция |
| Тематика | онтологическое моделирование ; экспертные правила ; ранжирование рекомендаций ; фэшн-ритейл ; интерпретируемость ; CLIP ; REST API ; DJANGO ; ontological modelling ; expert rules ; recommendation ranking ; fashion retail ; interpretability |
| 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/vr26-6634 |
| Права доступа | Доступ по паролю из сети Интернет (чтение) |
| Дополнительно | Новинка |
| Ключ записи | ru\spstu\vkr\46140 |
| 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 интеллектуального модуля ранжирования рекомендаций для фешн-ритейла на основе онтологического моделирования и экспертных правил. Актуальность обусловлена проблемой «холодного старта» в малом и среднем ритейле, где традиционные методы коллаборативной фильтрации неприменимы из-за отсутствия данных о поведении пользователей. Задачи исследования: теоретический анализ подходов к построению рекомендательных систем; разработка онтологии предметной области; формализация правил ранжирования; разработка формулы интегрального рейтинга; реализация REST API на Django; интеграция с модулем классификации CLIP; экспериментальная оценка качества; разработка бизнес-модели проекта. Методы: онтологическое моделирование, взвешенное ранжирование, Django ORM, REST API, кэширование Redis, векторизация вычислений NumPy, абляционное тестирование, парный t-тест Стьюдента. Результаты: достигнуты метрики Precision@15 = 82% и NDCG@15 = 84%, что превышает целевые показатели. Время отклика API - 180 мс (среднее), 320 мс (95-й перцентиль). Покрытие кода тестами - 92%. Подтверждена высокая корреляция (0.94) между весовыми коэффициентами и фактическим влиянием правил. Статистическая значимость улучшений подтверждена (p < 0.01). Практическая значимость: модуль интегрирован в систему STUDQR, решает проблему холодного старта, обеспечивает интерпретируемость рекомендаций через механизм декомпозиции рейтинга, предоставляет интерфейс управления правилами через Django Admin.
The work is devoted to the development of an intelligent module for ranking recommendations for fashion retail based on ontological modeling and expert rules. The relevance is due to the problem of "cold start" in small and medium-sized retail, where traditional methods of collaborative filtering are inapplicable due to the lack of data on user behavior. Research objectives: theoretical analysis of approaches to building recommendation systems; development of a domain ontology; formalization of ranking rules; development of an integral rating formula; implementation of the REST API on Django; integration with the CLIP classification module; experimental quality assessment; development of a project business model. Methods: ontological modeling, weighted ranking, Django ORM, REST API, Redis caching, NumPy computation vectorization, ablation testing, paired Students t-test. Results: the metrics Precision@15 = 82% and NDCG@15 = 84% were achieved, which exceeds the targets. API response time is 180 ms (average), 320 ms (95th percentile). Test coverage of the code is 92%. A high correlation (0.94) was confirmed between the weighting factors and the actual influence of the rules. The statistical significance of the improvements has been confirmed (p < 0.01). Practical significance: the module is integrated into the STUDQR system, solves the problem of cold start, ensures interpretability of recommendations through the rating decomposition mechanism, and provides a rules management interface via Django Admin.
| Место доступа | Группа пользователей | Действие |
|---|---|---|
| Локальная сеть ФБ СПбПУ | Все |
|
| Интернет | Авторизованные пользователи СПбПУ |
|
| Интернет | Анонимные пользователи |
|
- РЕФЕРАТ
- ABSTRACT
- ВВЕДЕНИЕ
- ГЛАВА 1. ТЕОРЕТИЧЕСКИЕ ОСНОВЫ ПОСТРОЕНИЯ РЕКОМЕНДАТЕЛЬНЫХ СИСТЕМ ДЛЯ ФЭШН-РИТЕЙЛА
- 1.1. Характеристика предметной области
- 1.2. Классификация подходов к построению рекомендаций
- 1.3. Онтологическое моделирование в рекомендательных системах
- 1.4. Существующие решения и аналоги
- 1.5. Выводы по главе 1
- ГЛАВА 2. ПРОЕКТИРОВАНИЕ МОДУЛЯ РАНЖИРОВАНИЯ РЕКОМЕНДАЦИЙ
- 2.1. Архитектура конвейера ранжирования
- 2.2. Формализация правил ранжирования
- 2.2.1. Правило совместимости стилей
- 2.2.2. Правило дополнения категорий
- 2.2.3. Правило гармонии цветов
- 2.2.4. Правило ценового соответствия
- 2.2.5. Правило совместимости материалов
- 2.2.6. Правило учёта пола
- 2.3. Онтологическое моделирование предметной области
- 2.3.1. Структура онтологии
- 2.3.2. Представление знаний в виде графа правил
- 2.3.3. Управление онтологией через административный интерфейс
- 2.4. Формула интегрального рейтинга и настройка весов
- 2.4.1. Формула взвешенной суммы
- 2.4.2. Весовые коэффициенты по умолчанию
- 2.4.3. Порог отсечения и фильтрация
- 2.4.4. Конфигурация ранжирования
- 2.5. Проектирование базы данных
- 2.5.1. Модели данных
- 2.5.2. Связи между сущностями
- 2.5.3. Индексация и оптимизация запросов
- 2.6. Выводы по главе 2
- ГЛАВА 3. РЕАЛИЗАЦИЯ И ИНТЕГРАЦИЯ МОДУЛЯ РАНЖИРОВАНИЯ
- 3.1. Реализация Ranking Engine
- 3.2. REST API для получения рекомендаций
- 3.3. Управление правилами через Django Admin
- 3.4. Оптимизация производительности
- 3.6. Тестирование модуля ранжирования
- 3.7. Выводы по главе 3
- ГЛАВА 4. ЭКСПЕРИМЕНТАЛЬНАЯ ОЦЕНКА КАЧЕСТВА РАНЖИРОВАНИЯ
- 4.1. Методика экспериментальной оценки
- 4.2. Результаты оценки качества рекомендаций
- 4.3. Анализ влияния отдельных правил на выдачу
- 4.4. Сравнение с базовыми подходами
- ГЛАВА 5. БИЗНЕС-МОДЕЛЬ ПРОЕКТА STUDQR
- 5.1. Описание бизнес-модели
- ЗАКЛЮЧЕНИЕ
- СПИСОК ЛИТЕРАТУРЫ
- Приложение 1
- Приложение 2