Рекомендаційна інформаційна система фільмів на основі вподобань користувачів

Abstract

У сучасному інформаційному суспільстві обсяги даних зростають експоненціально, і користувачі стикаються з проблемою вибору з-поміж величезної кількості доступного контенту. Рекомендаційні системи стали ключовим інструментом для вирішення цієї проблеми, оскільки дозволяють персоналізувати взаємодію користувача з інформаційним середовищем, зменшують інформаційне перевантаження та підвищують рівень задоволення користувачів. Світові компанії, такі як Netflix, Spotify, YouTube, TikTok, активно застосовують алгоритми рекомендацій, що значно впливає на утримання аудиторії та формування споживчих уподобань. Ефективність цих систем напряму залежить від коректного вибору алгоритмів, їхньої адаптивності та здатності до навчання на основі поведінкових даних. Дослідження алгоритмів рекомендацій та створення власної моделі є актуальним завданням, оскільки воно поєднує науковий інтерес з практичними потребами бізнесу. Особливу значущість це має у сфері рекомендації фільмів, де якісна персоналізація визначає конкурентоспроможність сервісів. Мета і завдання дослідження. Основна мета даного дослідження — аналіз сучасних підходів до побудови рекомендаційних систем, виявлення їхніх проблем та обмежень, а також розробка та впровадження гібридної моделі рекомендацій для формування персоналізованих пропозицій фільмів із підвищеною точністю та ефективністю. Для досягнення поставленої мети необхідно вирішити такі завдання: ● Здійснити огляд існуючих методів та алгоритмів роботи рекомендаційних систем, проаналізувати їх сильні та слабкі сторони, а також провести порівняльний аналіз підходів, що застосовуються у популярних платформах; ● Дослідити можливості використання методів OLAP та Data Mining для підвищення ефективності роботи алгоритмів рекомендацій; ● Формалізувати задачу формування рекомендацій на основі гібридного підходу; ● Розробити прототип рекомендаційної системи фільмів, реалізувавши розглянуті алгоритми та здійснивши їх практичне тестування. Об’єкт дослідження — алгоритми рекомендацій контенту на основі вподобань користувачів. Предмет дослідження — рекомендаційна система фільмів на основі вподобань користувачів. Методи дослідження. Для вирішення поставлених завдань використовувалися методи системного аналізу для оцінки ефективності алгоритмів, об'єктно-орієнтованого проєктування, методи машинного навчання та інтелектуального аналізу даних для створення моделей рекомендацій, експериментальні методи для перевірки працездатності прототипу системи. Наукова новизна одержаних результатів полягає у формалізації задачі побудови рекомендаційної системи фільмів на основі гібридного підходу до фільтрації даних для вдосконалення процесу формування особистих рекомендацій. Додатковим внеском є дослідження можливостей інтеграції OLAP-технологій для підвищення продуктивності та адаптивності алгоритмів рекомендацій. Практичне значення роботи полягає у створенні прототипу рекомендаційної системи фільмів, що може бути використаний як основа для розробки повноцінних інформаційних сервісів у сфері кіноіндустрії та медіа. Запропонований підхід може бути адаптований для інших галузей, де необхідна персоналізація інформації. Структура та обсяг роботи. Пояснювальна записка складається з чотирьох основних розділів. У першому розділі проводиться аналіз предметної області, огляд рекомендаційних систем та постановка завдання даної роботи, в ході якої визначаються вимоги до розроблюваної системи. Другий розділ присвячено дослідженню загальноприйнятих алгоритмів створення рекомендацій, визначається їх суть та проблеми, які виникають в ході їх виконання. Проводиться дослідження та практична реалізація зазначених методів програмними засобами на експериментальному наборі даних, аналізуються результати. Досліджуються рекомендаційні системи популярних розважальних платформ. У третьому розділі описується моделювання системи, наводяться діаграми. Проводиться інтелектуальний аналіз даних робочого датасету, застосування OLAP технологій, досліджується їх застосування в рамках рекомендаційних систем. Четвертий розділ демонструє готову систему та її архітектуру.