Details

Задачи, которые были решены в ходе исследования: 1) анализ предметной области и обзор существующих рекомендательных систем; 2) реализация базовых рекомендательных моделей и оценка их результатов; 3) обоснование и разработка механизма гибридизации моделей; 4) реализация гибридной рекомендательной системы и сравнение результатов её работы с результатами отдельных моделей; В ходе выполнения работы были использованы информационные технологии для разработки и экспериментального исследования гибридной рекомендательной системы. Реализация моделей и вычислительные эксперименты выполнялись на Python с применением NumPy и Pandas для обработки данных, scikit-learn для построения и обучения моделей, а также библиотеки Surprise для базовых алгоритмов коллаборативной фильтрации (KNNBaseline) и матричной факторизации (SVD). В качестве источника данных использовался набор Amazon Product Reviews (подмножество Amazon Electronics Reviews). Для разработки и запуска экспериментов применялись PyCharm и облачная среда Google Colab, а качество моделей оценивалось по метрикам RMSE/MAE и HR@K/NDCG@K.

The objectives achieved in the study are: 1) analysis of the subject area and review of existing recommender systems; 2) implementation of baseline recommender models and evaluation of their performance; 3) justification and development of a model hybridization mechanism; 4) implementation of a hybrid recommender system and comparison of its results with those of individual models. During the work, information technologies were used to develop and experimentally study a hybrid recommender system. The models and computational experiments were implemented in Python using NumPy and Pandas for data processing, scikit-learn for building and training models, and the Surprise library for baseline collaborative filtering (KNNBaseline) and matrix factorization (SVD) algorithms. The Amazon Product Reviews dataset (a subset of Amazon Electronics Reviews) was used as the data source. PyCharm and the Google Colab cloud environment were used for development and running the experiments, and model quality was evaluated using RMSE/MAE and HR@K/NDCG@K metrics.