Ссылки по теме выпускной работы

Материалы магистров ДонНТУ

1. Гума С.Н. Исследование методов сравнительного анализа текстов на примере рекомендательной системы фильмов

   Описание: Персональный сайт на портале магистров ДонНТУ, 2019 г.

   Руководитель: к.ф-м.н., доц. Скворцов Анатолий Ефремович

2. Филонова Е.А. Разработка модели персонализации и алгоритма управления контентом веб-сайта с учетом постоянных и текущих потребностей пользователя

   Описание: Персональный сайт на портале магистров ДонНТУ, 2014 г.

   Руководитель: д.ф-м.н., проф. Шелепов Владислав Юрьевич

3. Жулидов А.Ю. Исследование и разработка алгоритма для рекомендательной системы

   Описание: Персональный сайт на портале магистров ДонНТУ, 2018 г.

   Руководитель: к.т.н, доцент Орлов Юрий Константинович

4. Михнюк Д.В. Разработка и исследование алгоритмического обеспечения интеллектуальной системы формирования рекомендаций на основе методов коллаборативной фильтрации

   Описание: Персональный сайт на портале магистров ДонНТУ, 2014 г.

   Руководитель: к.т.н, доц. Егошина Анна Анатольевна

5. Заплетин Е.А. Исследование алгоритмов выявления взаимосвязей в больших массивах данных с помощью технологий Big Data

   Описание: Персональный сайт на портале магистров ДонНТУ, 2015 г.

   Руководитель: к.т.н., доц. Григорьев Александр Владимирович

Научные работы и статьи

6. 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.

7. 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.

8. 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.

9. 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.

10. 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.

11. 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.

12. 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.

13. 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.

14. О рекомендательной маршрутной системе, основанной на оценке предпочтений пользователя

    Авторы: Токарева М.М., Волкова Л.Л., Абдуллаев А.О.

    Описание: Данная работа посвящена рекомендательной системе для построения туристических маршрутов по достопримечательностям и заведениям ресторанной категори. Предложен метод построения маршрута, основанный на анализе предпочтений пользователя, интерпретации данных о культурно-досуговых учреждениях и поиске объектов заданных категорий с применением муравьиного алгоритма.

15. Рекомендательные системы в здравоохранении

    Авторы: Цурко В.В.

    Описание: Рекомендательные системы получили широкое распространение в различных интернет-сервисах: контекстная реклама, интересные для пользователя фильмы и музыка, подбор товаров и услуг в интернет-магазинах. Алгоритмы построения рекомендаций учитывают профиль пользователя, историю его запросов, покупок и информацию о пользователях, похожих на него. Эти алгоритмы быстро развиваются и доказали свою эффективность, их внедрение повышает посещаемость сервисов и продажи. Новой областью применения рекомендательных систем является здравоохранение. За десятилетия накоплены огромные объемы медицинских данных, таких как истории болезни, базы смертности и заболеваемости, протоколы лечения и даже данные о здоровье непрерывно снимаемые с человека специальными датчиками. Разрабатываются интеллектуальные системы диагностики заболеваний, выбора способа лечения, отслеживания ежедневного здоровья человека. В статье приводится общее введение в рекомендательные системы, обзор литературы о применения рекомендательных систем в здравоохранении, а также рассматривается проблема построения рекомендательных систем для оптимизации больничных закупок.

16. Оценка эффективности внедрения персонифицированной рекомендательной системы

    Авторы: Переверзев А.Л., Попов М.Г.

    Описание: Приведена имитационная модель позволяющая оценить эффективность внедрения персонифицированной рекомендательной системы для информационноуправляющих систем. Представлены результаты имитационного эксперимента на предложенной системно-динамической модели, которые подтверждают ее работоспособность и позволяют дать оценку эффективности использования персонифицированной рекомендательной системы для информационно-управляющих систем.

17. Алгоритмы для рекомендательной системы: технология lenkor

    Авторы: Дьяконов А.Г.

    Описание: Описаны алгоритмы, которые заняли первые места на Международном соревновании «ECML/PKDD Discovery Challenge 2011 (VideoLectures.Net Recommender System Challenge)» по написанию рекомендательной системы для ресурса VideoLectures.net (научного репозитария лекций). Соревнование состояло из двух независимых конкурсов. В первом конкурсе необходимо по одной просмотренной лекции рекомендовать новую лекцию из списка недавно выложенных на сайт, для которой известно только подробное описание и нет статистики популярности. Во втором конкурсе надо рекомендовать лекции, основываясь на статистической информации о популярности, представленной не в классическом, а в «усреднённом» виде.

Техническая и справочная литература

18. Рекомендации по развертыванию рекомендательных систем

    Источник с рекомендациями от экспертов ведущих компаний, таких как New York Times, Tencent, Meituan, NVIDIA, и других отраслевых лидеров.

19. ACM RecSys

    Главная международная конференция, на которой ежегодно представляются новые результаты исследований, методов и технологий и определяются тренды в области рекомендательных систем.

20. Make Some Code

    Примеры разработки реальных рекомендательных систем.

21. C# Documentation

    Официальная документация по C#

22. КиберЛенинка

    Научная электронная библиотека, построенная на парадигме открытой науки (Open Science).

23. E-library

    Научная электронная библиотека. Крупнейший российский информационно-аналитический портал в области науки, технологии, медицины и образования

24. НТБ ДонНТУ

    Научно-техническая библиотека Донецкого Национального Технического Университета.

25. Docs Microsoft

    Домашняя страница документации и учебных ресурсов Майкрософт для разработчиков и технических специалистов.

26. Towards Data Science

    Источник справочной и технической литературы в области Data Science.

27. Machine Learning Mastery

    Машинное обучение, нейронные сети, искусственный интеллект.

Специализированные сайты и порталы

28. GitHub

    Крупнейший веб-сервис для хостинга IT-проектов и их совместной разработки.

29. НОУ ИНТУИТ

    Организация, предоставляющая с помощью собственного сайта услуги дистанционного обучения по нескольким образовательным программам.

30. Tproger

    Всё о программировании.

31. КиберФорум

    Форум программистов, системных администраторов, администраторов баз данных.

32. DTF

    Русскоязычный интернет-ресурс о компьютерных играх.

33. Хабр

    Русскоязычный веб-сайт в формате системы тематических коллективных блогов с элементами новостного сайта.

34. Medium

    платформа для социальной журналистики.

35. ITVDN

    Самые популярные видео курсы онлайн программирования.

36. Stack Overflow

    Система вопросов и ответов о программировании.

Материалы по рекомендательным системам

37. Рекомендательная революция

    В статье представлен обзор существующих современных рекомендательных систем в приложениях и на интернет-сайтах.

38. Как устроены современные рекомендательные системы?

    Статья об особенностях работы алгоритмов искусственного интеллекта, на которых построили бизнес Facebook, Google и другие ИТ-гиганты.

39. Анатомия рекомендательных систем

    В статье рассказывается о рекомендательных системах, представлен обзор существующих подходов.

40. Что такое рекомендательные системы и как они работают

    Откуда соцсети, интернет-магазины и онлайн-кинотеатры знают, что вы любите? Ответы на все вопросы.

41. Рекомендательные системы: как помочь пользователю найти то, что ему нужно?

    Подробная статья о том, что собой представляют рекомендательные системы и какую пользу они могут принести бизнесу.

42. Как работают рекомендательные системы

    Рекомендательные системы, основанные на машинном обучении, получили широкое распространение для бизнеса в последние годы. В этой статье приведено описание принципов работы основных методов для реализации рекомендательных систем и метрик для оценки их работы.

43. Рекомендательные системы: как алгоритмы подбирают нам товары и контент

    Стриминговые сервисы отлично знают наши вкусы, а интернет-магазины идеально подбирают товары, которые с высокой вероятностью придутся нам по душе. Как им это удается?

44. Рекомендательные системы: как они работают на примерах + как построить свою рекомендательную систему

    Рекомендательные системы это алгоритмы, которые отслеживают предпочтения и интересы пользователей. Они нужны, чтобы делать людей счастливее. И заставлять их покупать больше. Данная статья расскажет подробнее о том, как это работает на практике.

Ресурсы для изучения C#

45. Metanit

    Данный сайт посвящен различным языкам и технологиям программирования, компьютерам, мобильным платформам и ИТ-технологиям.

46. CODE BLOG

    Блог о C# и IT от профессионального разработчиком программного обеспечения на базе платформы .NET.

47. Programming stuff

    Блог о технологиях .NET.

48. Learn C#

    Бесплатные курсы, учебные пособия, видео и многое другое об изучении языка программирования C#.

49. Codewars

    Образовательное сообщество по компьютерному программированию.

50. CodeChick.io

    Простой и эффективный способ изучения программирования.