Розробка веб-платформи з реалізацією персоналізованої системи рекомендацій
Автор: Редько Олександр Васильович
Кваліфікаційний рівень: магістр
Спеціальність: Системне проєктування
Інститут: Інститут комп'ютерних наук та інформаційних технологій
Форма навчання: денна
Навчальний рік: 2025-2026 н.р.
Мова захисту: українська
Анотація: Редько О.В., керівник – Фармага І.В. “Розробка веб-платформи з реалізацією персоналізованої системи рекомендацій”. Магістерська кваліфікаційна робота. – Національний університет “Львівська політехніка”, Львів, 2024. Розширена анотація. У сучасному інформаційному середовищі користувачі стикаються з проблемою вибору серед великої кількості мультимедійного контенту. Зростання обсягів даних призводить до інформаційного перевантаження, що ускладнює пошук релевантного матеріалу. У таких умовах персоналізовані рекомендаційні системи стають важливим інструментом оптимізації користувацького досвіду. Більшість наявних рішень обмежуються одним типом контенту або одним методом рекомендацій, що знижує їх універсальність. Тому актуальним є створення веб-платформи, здатної працювати з різними підходами до формування рекомендацій та підтримувати гнучку модель взаємодії з користувачами. Об’єктом дослідження є процеси персоналізації у веборієнтованих інформаційних системах. Предметом дослідження є методи формування рекомендацій на основі аналізу характеристик контенту та поведінкових даних користувачів. Метою роботи є розробка веб-платформи, що забезпечує персоналізовані рекомендації мультимедійного контенту за допомогою декількох алгоритмічних підходів, серед яких контентно-орієнтований аналіз, колаборативна фільтрація та міждоменні методи. Для досягнення мети було виконано проєктування бази даних, побудовано архітектуру клієнтської та серверної частин, реалізовано обробку оцінок та збереження елементів, а також створено модуль рекомендацій. У роботі реалізовано три алгоритми. Контентно-орієнтований підхід використовує TF-IDF-векторизацію та косинусну подібність для визначення схожості описів. Колаборативна фільтрація ґрунтується на аналізі подібності користувачів за їхніми оцінками. Міждоменний підхід дозволяє формувати рекомендації у різних категоріях контенту шляхом побудови спільного простору ознак. Така інтеграція забезпечує широку персоналізацію та підвищує ефективність рекомендацій. Наукова новизна роботи полягає у поєднанні трьох різнорідних підходів до рекомендацій — контентного, колаборативного та міждоменного — в єдиній веб-платформі з уніфікованою структурою даних. У межах дослідження реалізовано та інтегровано крос-доменний алгоритм, здатний формувати рекомендації між різними видами мультимедійного контенту (фільмами, книгами, іграми, аніме, музикою), що забезпечує ширшу персоналізацію, ніж традиційні однодоменні системи. Також запропоновано підхід до побудови універсального простору ознак, який дозволяє порівнювати контент різних категорій без використання складних нейромережевих моделей. Серверну частину платформи реалізовано з використанням Django REST Framework та SQLite, що забезпечує структурованість, модульність та простоту обробки запитів. Клієнтську частину побудовано за допомогою HTML, TailwindCSS і JavaScript. Інтерфейс включає модулі перегляду каталогу, застосування фільтрів, управління оцінками та збереженими елементами, запуск рекомендацій та перегляд статистики використання алгоритмів. Тестування API, інтерфейсу та рекомендаційних алгоритмів підтвердило стабільність системи та коректність її функціонування. Розроблена веб-платформа може бути основою для впровадження персоналізованих рекомендацій у цифрових бібліотеках, стримінгових сервісах, ігрових каталогах, інформаційних порталах та інших вебресурсах. Архітектура системи допускає розширення функціоналу, включно з використанням нейромережевих моделей, удосконалених методів векторизації та машинного навчання. Ключові слова: персоналізовані рекомендації, веб-платформа, мультимедійний контент, колаборативна фільтрація, TF-IDF. Перелік використаних літературних джерел: Ricci F., Rokach L., Shapira B. Recommender Systems Handbook. Springer, 2015. Aggarwal C. Recommender Systems: The Textbook. Springer, 2016. Schafer J.B., Konstan J., Riedl J. E-commerce recommendation applications. Data Mining and Knowledge Discovery, 2001. Burke R. Hybrid Recommender Systems: Survey and Experiments. User Modeling and User-Adapted Interaction, 2002. Koren Y., Bell R., Volinsky C. Matrix Factorization Techniques for Recommender Systems. IEEE Computer, 2009.