Пожалуйста, используйте этот идентификатор, чтобы цитировать или ссылаться на этот ресурс:
http://hdl.handle.net/11701/26483
Полная запись метаданных
Поле DC | Значение | Язык |
---|---|---|
dc.contributor.advisor | Давыденко Александр Александрович | ru_RU |
dc.contributor.advisor | Davydenko Aleksandr Aleksandrovic | en_GB |
dc.contributor.author | Бельков Роман Андреевич | ru_RU |
dc.contributor.author | Belkov Roman Andreevic | en_GB |
dc.contributor.editor | Блеканов Иван Станиславович | ru_RU |
dc.contributor.editor | Blekanov Ivan Stanislavovic | en_GB |
dc.date.accessioned | 2021-03-24T15:50:57Z | - |
dc.date.available | 2021-03-24T15:50:57Z | - |
dc.date.issued | 2020 | |
dc.identifier.other | 054663 | en_GB |
dc.identifier.uri | http://hdl.handle.net/11701/26483 | - |
dc.description.abstract | В этой работе рассмотрены методы калибровки рекомендательных систем, которые направлены на разнообразие и пропорциональность рекомендаций для пользователей. Если пользователь посмотрел, 80 артхаусных фильмов и 20 комедий, то вполне разумно ожидать, что персонализированный список рекомендуемых фильмов будет состоять примерно из 80% артхаусных и 20% комедий, но современные рекомендательные системы настроены на точность и могут удовлетворять не все интересы пользователя, если, например алгоритм плохо рекомендует комедии. Были изучены и реализованы несколько методов переранжирования списка сгенерированных рекомендаций. Было проведено несколько экспериментов для сравнения качества работы реализованных методов между собой и с готовой реализацией рекомендательной системы. | ru_RU |
dc.description.abstract | In this paper, we consider methods for calibration of recommendation systems that are aimed at the diversity and proportionality of recommendations for users. If the user has watched 80 Arthouse movies and 20 comedies, it is reasonable to expect that the personalized list of recommended movies will consist of about 80% of Arthouse and 20% of comedies, but modern recommendation systems are configured for accuracy and may not satisfy all the user's interests, if, for example, the algorithm does not recommend comedies well. Several methods for re-ranking the list of generated recommendations were studied and implemented. Several experiments were conducted to compare the quality of the implemented methods with each other and with the finished implementation of the recommendation system. | en_GB |
dc.language.iso | ru | |
dc.subject | Рекомендательные системы | ru_RU |
dc.subject | калибровка | ru_RU |
dc.subject | пропорциональность | ru_RU |
dc.subject | диверсификация | ru_RU |
dc.subject | Recommender Systems | en_GB |
dc.subject | Calibration | en_GB |
dc.subject | Proportionality | en_GB |
dc.subject | Diversity | en_GB |
dc.title | Calibration of recommendation systems. Search for heterogeneous effect and atypical users for content recommendation tasks | en_GB |
dc.title.alternative | Калибровка рекомендательных систем. Поиск гетерогенного эффекта и нетипичных пользователей для задач рекомендаций контента | ru_RU |
Располагается в коллекциях: | BACHELOR STUDIES |
Файлы этого ресурса:
Файл | Описание | Размер | Формат | |
---|---|---|---|---|
Belkov_VKR.pdf | Article | 374,88 kB | Adobe PDF | Просмотреть/Открыть |
reviewSV_Otzyv_Belkov.pdf | ReviewSV | 74,36 kB | Adobe PDF | Просмотреть/Открыть |
Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.