Пожалуйста, используйте этот идентификатор, чтобы цитировать или ссылаться на этот ресурс:
http://hdl.handle.net/11701/10819
Полная запись метаданных
Поле DC | Значение | Язык |
---|---|---|
dc.contributor.advisor | Невоструев Константин Николаевич | ru_RU |
dc.contributor.author | Сулягина Анастасия Александровна | ru_RU |
dc.contributor.author | Suliagina Anastasiia | en_GB |
dc.contributor.editor | Бугайченко Дмитрий Юрьевич | ru_RU |
dc.contributor.editor | Bugaichenko Dmitrii Iurevich | en_GB |
dc.date.accessioned | 2018-07-25T20:11:14Z | - |
dc.date.available | 2018-07-25T20:11:14Z | - |
dc.date.issued | 2017 | - |
dc.identifier.other | 031232 | en_GB |
dc.identifier.uri | http://hdl.handle.net/11701/10819 | - |
dc.description.abstract | Интернет стремительно растет и развивается, и с каждым днем в нем появляется все больше информации, в связи с чем одной из важнейших задач IR в настоящее время является предоставление пользователю персонализованного контента. Социальные сети в настоящее время являются основной платформой для общения и получения информации, в новостной ленте среднего пользователя социальной сети в день появляется огромное количество записей, все из которых он прочитать не в состоянии. Задача социальной сети состоит в том, чтобы пользователь получал более интересный для него контент. Для решения этой задачи предлагается ранжировать записи новостной ленты пользователя в порядке релевантности. Многие задачи в области Information Retrieval по своей природе являются задачами ранжирования, так как именно оно лежит в основе рекомендаций и персонализации. Одна из наиболее интересных в настоящее время задач в области ранжирования заключается в том, чтобы, используя некоторые тренировочные данные, построить ранжирующую модель машинного обучения так, чтобы модель могла отсортировать новые данные по их релевантности. Подобная задача и рассмотрена в работе. В рамках данной выпускной квалификационной работы разработана система персонального ранжирования новостной ленты пользователя социальной сети. Дла определения лучшей комбинации моделей был проведен анализ существующих в области ранжирования методов и проведено сравнение точности самых интересных подходов на предоставленных социальной сетью "Одноклассники" данных. В итоговой системе использовалось 2 модели для разных классов пользователей: модель RankSVM, обучавшаяся на данных всех пользователей, и персональные модели ListNet, построенные для каждого пользователя отдельно. В ходе апробации построенной моделью на пользовательских данных была достигнута большая точность, чем остальными, рассмотренными в работе. | ru_RU |
dc.description.abstract | Internet is rapidly growing and contains more and more information each day. Users are not interested in all the information though so one of the most important tasks in Information Retrieval is providing personalised content to users. Personalisation is a key element in most of modern internet services as it lets users consume more relevant content. Social networks are main platform for communication nowadays, news feed of an average user contains more than 2000 posts a day and it is impossible to read them all. The main goal of every social network is to provide users with most relevant and important content and one of solutions for this problem is news feed ranking. Many IR tasks such as personalisation and recommending systems are naturally сводятся к ranking. One of most interesting ranking problems now is building machine learning model that could after learning on some training set rank new data based on it's relevance. Such task will be рассмотрен in this work. Personal news feed ranking system is presented in this work. For ranking "Odnoklassniki" social network data is used. To determine best combination of models analysis and comparison of most interesting ranking algorithms is provided. Based on this comparison two models are chosen: Personal ListNet model for average users and common RankSVM model for not active or extremely active ones. Experiments showed that presented model is performing better than other models reviewed in this work on data given. | en_GB |
dc.language.iso | ru | - |
dc.subject | Машинное обучение | ru_RU |
dc.subject | анализ данных | ru_RU |
dc.subject | социальные сети | ru_RU |
dc.subject | системы ранжирования | ru_RU |
dc.subject | рекомендательные системы | ru_RU |
dc.subject | Information retrieval | en_GB |
dc.subject | machine learning | en_GB |
dc.subject | social netwrorks | en_GB |
dc.subject | ranking | en_GB |
dc.subject | recommending systems | en_GB |
dc.title | Personalised news feed ranking in social networks | en_GB |
dc.title.alternative | Персональное ранжирование новостной ленты в социальных сетях | ru_RU |
Располагается в коллекциях: | BACHELOR STUDIES |
Файлы этого ресурса:
Файл | Описание | Размер | Формат | |
---|---|---|---|---|
Sulyagina_diplom_-_diploma-2.pdf | Article | 586,69 kB | Adobe PDF | Просмотреть/Открыть |
reviewSV_Sulyagina_A__bak.pdf | ReviewSV | 266,3 kB | Adobe PDF | Просмотреть/Открыть |
reviewSV_Sulyagina_A_A__rec_2.jpg | ReviewRev | 678,48 kB | JPEG | Просмотреть/Открыть |
reviewSV_Sulyagina_A_A__rec.docx | ReviewRev | 107,49 kB | Microsoft Word XML | Просмотреть/Открыть |
Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.