30.05.2025; Київ, Україна: IV Міжнародна наукова конференція «Інноваційна наука: пошук відповідей на виклики сучасності»
Роботи, що індексуються в Google Scholar

РЕКОМЕНДАЦІЙНА СИСТЕМА ДЛЯ ПЕРСОНАЛІЗОВАНОГО ПІДБОРУ КНИГ

  • Арсеній Кошляк,
  • Олексій Бричковський
DOI: https://doi.org/10.62731/mcnd-30.05.2025.011
PDF

Опубліковано 30.05.2025

Як цитувати

Кошляк, А., & Бричковський, О. (2025). РЕКОМЕНДАЦІЙНА СИСТЕМА ДЛЯ ПЕРСОНАЛІЗОВАНОГО ПІДБОРУ КНИГ. Матеріали конференцій МЦНД, (30.05.2025; Київ, Україна), 421–424. https://doi.org/10.62731/mcnd-30.05.2025.011

Завантаження

Дані завантаження ще не доступні.

Авторське право (c) 2025 Арсеній Кошляк, Олексій Бричковський

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution-ShareAlike 4.0 International License.

Google Scholar

Анотація

У сучасних умовах надлишку інформації користувачам дедалі складніше обрати релевантний контент зі щоденного потоку даних, зокрема, книги. Рекомендаційні системи виступають ефективним інструментом фільтрації інформації, пропонуючи користувачам персоналізовані рекомендації контенту. Такі системи вже успішно застосовуються для фільмів, музики, товарів і книжок, допомагаючи скоротити час пошуку і підвищити якість вибору користувача. У домені книжкових рекомендацій для якісного навчання моделей необхідні великі відкриті набори даних.

PDF

Посилання

  1. 1. D. Roy, M. Dutta, A systematic review and research perspective on recommender systems, Journal of Big Data, vol. 9, article 59, 2022. URL: https://journalofbigdata.springeropen.com/articles/10.1186/s40537-022-00592-5
  2. 2. Z. Zając, Goodbooks-10k: a new dataset for book recommendations, FastML (Machine Learning blog), URL: https://fastml.com/goodbooks-10k-a-new-dataset-for-book-recommendations/
  3. 3. Murel J, Kavlakoglu E, What is collaborative filtering? IBM, URL: https://www.ibm.com/think/topics/collaborative-filtering
  4. 4. G. Linden, B. Smith, J. York, Amazon.com Recommendations: Item-to-Item Collaborative Filtering, IEEE Internet Computing, vol. 7, no. 1, pp. 76–80, Jan. 2003. URL: https://www.cs.umd.edu/~samir/498/Amazon-Recommendations.pdf
  5. 5. Y. Koren, R. Bell, C. Volinsky, Matrix Factorization Techniques for Recommender Systems, Computer, 42(8):30–37, 2009. URL: https://datajobs.com/data-science-repo/Recommender-Systems-%5bNetflix%5d.pdf
  6. 6. M. Kula, Metadata Embeddings for User and Item Cold-start Recommendations, arXiv:1507.08439, 2015. URL: https://arxiv.org/abs/1507.08439
  7. 7. A. Abid, A. Abdalla, A. Abid, et al., Gradio: Hassle-Free Sharing and Testing of ML Models in the Wild, Proc. ICML Workshop: Human in the Loop Learning (HILL 2019), 2019. URL: https://doi.org/10.48550/arXiv.1906.02569