Библиотека материалов по теме выпускной работы

Собственные публикации и доклады

1. Об особенностях разработки рекомендательной системы для пользователей мессенджера Telegram

   Авторы: К.А. Коврик, И.А. Коломойцева

   Описание: В статье представлен краткий обзор наиболее распространенных методов организации анализа данных в рекомендательных системах и проведен анализ целесообразности их применения при проектировании мобильной рекомендательной системы для мессенджера Telegram.

   Источник: Коврик К.А. Об особенностях разработки рекомендательной системы для пользователей мессенджера Telegram / К.А. Коврик, И.А. Коломойцева // Программная инженерия: методы и технологии разработки информационновычислительных систем (ПИИВС-2020): сборник научных трудов III Международной научнопрактической конференции (студенческая секция), Том. 2. 25-26 ноября 2020 г. – Донецк, ГОУВПО «Донецкий национальный технический университет», 2020. – 166 с. [Ссылка]

Тематические статьи

2. О разработке рекомендательной системы, предлагающей книги по предпочтениям пользователя

   Авторы: Л.Л. Волкова, М.М. Токарева, А.А. Ланко

   Описание: Данная работа посвящена разработке рекомендательной системы, принимающей в расчёт предпочтения пользователя в книгах: параметрические, жанровые, основанные на прочитанных произведениях. Проведён обзор применения стратегий рекомендательных систем в данной задаче. Описаны ключевые положения для создания рекомендательной системы, предлагающей читателю книги на основе введённых им предпочтений, а также ключевые методы, которые следует положить в основу подсистему извлечения данных из текстов произведений. Рассмотрена перспектива расширения системы данными, извлечёнными из рецензий на книги.

   Источник: Волкова Л.Л. О разработке рекомендательной системы, предлагающей книги по предпочтениям пользователя / Л.Л. Волкова, М.М. Токарева, А.А. Ланко // Электронный научный журнал Новые информационные технологии в автоматизированных системах, Федеральное государственное автономное образовательное учреждение высшего образования «Национальный исследовательский университет «Высшая школа экономики», вып. 20, 2017 [Ссылка]

3. Групповая рекомендательная система для управления жизненным циклом изделий: подход и технологии

   Авторы: А.В. Смирнов, Н.Г. Шилов

   Описание: Групповые рекомендательные системы предлагают некоторые решения (связанные с изделиями, технологиями, инструментами, материалами и бизнес-моделями) на основе требований групп пользователей, их предпочтений, и желании идти на компромисс и предлагать свои идеи. В статье предложен подход к разработке групповой рекомендательной системы для совместной разработки изделий, основанный на таких технологиях, как профилирование пользователей и групп пользователей, управление контекстом, анализ принятых решений (decision mining). Система позволяет накапливать знания о выполненных пользователями действиях и принятых ими решениях, а также использует механизмы самоорганизации для поиска компромисса между групповыми и индивидуальными предпочтениями. Предложенный подход позволяет формулировать рекомендации пользователям группы, предвосхищая их возможные последующие действия и решения.

   Источник: Смирнов А.В. Групповая рекомендательная система для управления жизненным циклом изделий: подход и технологии / А.В. Смирнов, Н.Г. Шилов // Журнал Известия Южного федерального университета. Технические науки, Федеральное государственное автономное образовательное учреждение высшего образования «Южный федеральный университет», 2011 – 203 с. [Ссылка]

4. Обзор рекомендательных систем и возможностей учета контекста при формировании индивидуальных рекомендаций

   Авторы: Н.В. Меньшикова, И.В. Портнов, И.Е. Николаев

   Описание: В статье рассматриваются существующие системы формирования индивидуальных рекомендаций, анализируются их недостатки и определяются области применения. Выделены потенциальные преимущества от расширения пространства анализируемых факторов за счет учета пользовательского контекста. Рассматриваются различные виды контекста, которые могут быть применены в рекомендательных системах, и примеры их использования.

   Источник: Н.В. Меньшикова Обзор рекомендательных систем и возможностей учета контекста при формировании индивидуальных рекомендаций / Н.В. Меньшикова, И.В. Портнов, И.Е. Николаев // Журнал «Academy», ООО «Олимп», номер 6(9), 2016 [Ссылка]

5. Математическая модель коллаборативных процессов принятия решений

   Авторы: Д.М. Понизовкин, С.А. Амелькин

   Описание: В статье рассматривается математическая модель предпочтений пользователей коллаборативной рекомендательной системы. Вводится критерий оптимальности работы системы. Предложен алгоритм определения эффективности работы системы.

   Источник: Понизовкин Д.М. Математическая модель коллаборативных процессов принятия решений / Д.М. Понизовкин, С.А. Амелькин // Электронный научный журнал Института программных систем имени А.К. Айламазяна Российской академии наук, вып. 4, 2011 – 95 с. [Ссылка]

6. Разработка рекомендательной системы на основе анализа тональности текста

   Авторы: Е.В. Трофимова, К.А. Туральчук

   Описание: Всемирная сеть содержит огромное количество информации, и пользователи часто сталкиваются с проблемой поиска информации. В этой статье, мы описываем рекомендательную систему фильмов, которая использует гибридный способ фильтрации и строит систему рейтингов, основываясь на тональности сообщений пользователей социальных сетей.

   Источник: Трофимова Е.В. Разработка рекомендательной системы на основе анализа тональности текста / Е.В. Трофимова, К.А. Туральчук // Актуальные проблемы гуманитарных и естественных наук, Общество с ограниченной ответственностью «Институт стратегических исследований», номер 1-1, 2015 [Ссылка]

7. Применение коллаборативной фильтрации для повышения активности платежей пользователей социальных игровых приложений

   Авторы: А.В. Перов, П.Н. Воробкалов

   Описание: В данной статье рассматривается использование коллаборативной фильтрации для увеличения эффективности конверсии пользователей из неплатящих в платящие в социальных игровых приложениях.

   Источник: Перов А.В. Применение коллаборативной фильтрации для повышения активности платежей пользователей социальных игровых приложений / А.В. Перов, П.Н. Воробкалов // Вестник магистратуры, Общество с ограниченной ответственностью «Коллоквиум», номер 3(18), 2013 – 21 с. [Ссылка]

8. Разработка музыкальной рекомендательной системы на основе обработки метаданных контента

   Авторы: А.В. Менькин

   Описание: Музыкальная рекомендательная система (МРС) помогает пользователям музыкальных стриминговых сервисов находить интересующий их музыкальный контент. Разреженность пользовательских оценок - одна из главных проблем исследования МРС. Она вызвана тем, что пользователь оценивает лишь малую долю объектов музыкального каталога. В результате МРС часто не обладает достаточным набором данных для составления рекомендаций. В статье предложен подход для решения проблемы разреженности пользовательских оценок на основе использования оценок связанных объектов. Описана гибридная МРС, использующая как нормализованные пользовательские оценки треков, альбомов, артистов, жанров, так и информацию о связях между объектами разных типов. Произведена оценка эффективности разработанной МРС, а также произведен сравнительный анализ предложенного подхода с коллаборативным методом предсказания пользовательских предпочтений.

   Источник: Менькин А.В. Разработка музыкальной рекомендательной системы на основе обработки метаданных контента / А.В. Менькин // Вестник Новосибирского государственного университета. Серия: Информационные технологии, Федеральное государственное автономное образовательное учреждение высшего образования «Новосибирский национальный исследовательский государственный университет», номер 3, 2019 – 43 с. [Ссылка]

9. Разработка Point-Of-Interest рекомендательной системы при использовании LBSN социальных сетей

   Авторы: К.И. Пахомова

   Описание: В статье рассматривается проблема изучения жизненного цикла человека по средствам извлечения данных POI (Point-of-Interest) из LBSN (Location Based Social Network). На основе алгоритмов классификации и прогнозирования строится рекомендательная система, которая в свою очередь предугадывает поведение пользователя при смене локации в соответствии с его собственными привычками и традициями. На основе алгоритмов кластеризации строится модель рекомендательной системы, включающая временные, хронологические, географические и личные особенности пользователя.

   Источник: Пахомова К.И. Разработка Point-Of-Interest рекомендательной системы при использовании LBSN социальных сетей / К.И. Пахомова // Перспективы развития информационных технологий, Общество с ограниченной ответственностью «Центр развития научного сотрудничества», номер 30, 2016 – 23 с. [Ссылка]

Переводы статей

10. Обзор и классификация рекомендательных систем

    Авторы: Manika Sharma, Raman Mittal, Ambuj Bharati, Deepika Saxena, Ashutosh Kumar Singh

    Авторы перевода: Коврик К.А.

    Описание: В современном мире объем данных растет в геометрической прогрессии, и традиционные системы не в состоянии удовлетворить требования пользователей. Для удовлетворения потребностей пользователей различные компании, такие как Amazon, Netflix и т.д., Используют рекомендательные системы, которые рекомендуют контент или различные типы данных на основе предыдущих действий пользователя и взаимодействий с системой. В рекомендательной системе представлены в основном три подхода: контент-ориентированный, совместная фильтрация и подходы, основанные на знаниях. Благодаря их широкой применимости рекомендательные системы стали областью активных исследований, и в этом контексте в данной статье представлен обзор и сравнительное обсуждение существующих подходов. В исследовании делается вывод о том, как различные методы рекомендаций взаимодействуют с современными растущими технологическими тенденциями, а также обсуждаются проблемы, с которыми они сталкиваются.

    Источник (англ): Manika Sharma A Survey and Classification on Recommendation Systems/Manika Sharma, Raman Mittal, Ambuj Bharati, Deepika Saxena, Ashutosh Kumar Singh // 2nd International Conference on Big Data, Machine Learning and Applications (BigDML 2021), 2021 [Ссылка]