Личный кабинетuser
orange img orange img orange img orange img orange img
Дипломная работаГостиничное дело
Готовая работа №106471 от пользователя Успенская Ирина
book

Исследование и построение рекомендательной системы по подбору ресторанных блюд на основе интеллектуального анализа данных

1 725 ₽
Файл с работой можно будет скачать в личном кабинете после покупки
like
Гарантия безопасной покупки
help

Сразу после покупки работы вы получите ссылку на скачивание файла.

Срок скачивания не ограничен по времени. Если работа не соответствует описанию у вас будет возможность отправить жалобу.

Гарантийный период 7 дней.

like
Уникальность текста выше 50%
help

Все загруженные работы имеют уникальность не менее 50% в общедоступной системе Антиплагиат.ру

file
Возможность снять с продажи
help

У покупателя есть возможность доплатить за снятие работы с продажи после покупки.

Например, если необходимо скрыть страницу с работой на сайте от третьих лиц на определенный срок.

Тариф можно выбрать на странице готовой работы после покупки.

Не подходит эта работа?
Укажите тему работы или свой e-mail, мы отправим подборку похожих работ
Нажимая на кнопку, вы соглашаетесь на обработку персональных данных

содержание

ВВЕДЕНИЕ 6
1. ТЕОРИТИЧЕСКАЯ ЧАСТЬ 10
1.1 Обзор литературы 10
1.2 Постановка задачи 16
1.3 Основные понятия интеллектуального анализа данных 20
1.4 Методология 23
1.5 Обучение и валидация моделей 28
1.6 Гиперпараметрическая оптимизация 31
1.7 Обзор применяемых методов 32
1.7.1 Алгоритм SVD 35
1.7.2 Алгоритм RNSA(The Refined Neighbor Selection Algorithm) 37
1.8 Подходы к построению рекомендательных систем 39
1.9 Фильтрация на основе содержания 41
1.9.1 Фильтрация на основе модели 44
1.9.2 Демографическая фильтрация 45
1.9.3 Рекомендательные системы, основанные на знаниях 46
2. ПРАКТИЧЕСКАЯ РЕАЛИЗАЦИЯ СИСТЕМЫ 49
2.1 Разработка структуры и программного обеспечения рекомендательной системы 49
2.2 Модель рекомендательной системы 51
2.3 Математический расчёт системы 55
2.4 Анализ возможности модификации созданной информационной системы с точки зрения ее качества 59
ЗАКЛЮЧЕНИЕ 63
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 65
ЗАДАНИЕ 69

Весь текст будет доступен после покупки

ВВЕДЕНИЕ

В современном мире ресторанная индустрия сталкивается с рядом значительных вызовов, включая высокую конкуренцию и возрастающие ожидания клиентов. В условиях такого рынка ресторанам необходимо постоянно искать новые способы привлечения и удержания клиентов. Одним из таких способов являются рекомендательные системы, которые могут существенно улучшить пользовательский опыт за счет персонализированных рекомендаций блюд.
Современная ресторанная индустрия сталкивается с вызовами персонализации обслуживания клиентов. В условиях высокой конкуренции ресторанам необходимо эффективно удовлетворять вкусовые предпочтения клиентов, предоставляя персонализированные рекомендации. Традиционные подходы часто не учитывают индивидуальные предпочтения и особенности блюд, что снижает точность рекомендаций и удовлетворенность клиентов. Для решения этой проблемы требуется разработка системы, обеспечивающей персонализацию рекомендаций на основе вкусовых предпочтений, диетических ограничений и предыдущего опыта взаимодействия с рестораном. Система должна быть масштабируемой, обрабатывать большие объемы данных в реальном времени, интегрироваться с внешними источниками данных и предоставлять высокоточные рекомендации через интуитивно понятный интерфейс. Ожидаемые результаты включают повышение удовлетворенности клиентов, увеличение среднего чека, оптимизацию работы ресторана и улучшение пользовательского опыта. Этапы работы включают анализ методов, сбор и обработку данных, разработку и обучение алгоритмов, интеграцию с интерфейсом, тестирование и валидацию, а также внедрение и сопровождение системы. Методы включают коллаборативную и контентную фильтрацию, обработку естественного языка и машинное обучение. Эти этапы направлены на создание эффективной системы, удовлетворяющей потребности пользователей и повышающей их удовлетворенность услугами ресторана

Весь текст будет доступен после покупки

отрывок из работы

1. ТЕОРИТИЧЕСКАЯ ЧАСТЬ

1.1 Обзор литературы
Несмотря на то, что рекомендательные системы появились относительно недавно, проблеме их построения и применения в различных прикладных задачах посвящено огромное количество статей и книг. Авторы используют различные методы для улучшения качества рекомендаций и расширяют область применения рекомендательных систем.
Одной из первых публикаций на эту тему является статья Поллока [2], датируемая 1988 годом. В ней автор представил систему ISCREEN, которая позволяла пользователю самостоятельно определять некий набор правил, по которым ISCREEN в дальнейшем фильтровала текстовые сообщения и отбирала только релевантные. И хотя система не рекомендовала пользователю сообщения, сама работа показала актуальность задачи фильтрации и отбора релевантной информации.
В 1992 году появилась работа Голдберга [3], в которой авторы разработали экспериментальную систему электронной почты Tapestry, которая позволяла фильтровать email-рассылки. В отличие от работы Поллока, эта система отбирала сообщения полностью автоматически на основе реакций пользователей. Авторы статьи представили идею коллаборативной фильтрации и фильтрации на основе содержания.
Работа Голдберга имела сильный отклик и вызвала массу обсуждений. Примечательна статья Резника и Варьяна [4] 1997 года, в которой авторы рассуждают об отрицательных последствиях применения рекомендательных систем, таких как преследование недобросовестных целей при составлении рекомендаций, использование персональных данных пользователей, а также ухудшение производительности сервисов из-за работы рекомендательных систем.
Брусиловский в 1996 году в работе [5] представил новое направление в области адаптивных интерфейсов – адаптивный гипермедиа (adaptivehypermedia). Такие системы строят строят модель каждого пользователя и используют её, например, для подстраивания содержания страницы сайта под знания и цели пользователя или предложения наиболее интересных ему ссылок. Автором были рассмотрены методы построения моделей пользователей, получившие широкое применение в дальнейшем.
В работе [6] Паццани большое внимание уделяется получению профиля пользовательских интересов для рекомендательных систем. Проведен сравнительный анализ двух основных методов фильтрации – коллаборативной фильтрации и фильтрации на основе содержания, а также описывается новый тип фильтрации – фильтрация на основе демографии, который учитывает социально-демографические показатели пользователя при составлении рекомендаций.По мере накопления теоретического и исследовательского материала стали появляться статьи более прикладного характера, в которых исследователиискали новые приложения для применения рекомендательных систем. Например, Ким и Хан в работе [7] разработали ркомендательную систему методом коллаборативной фильтрации для показа мобильной рекламы. Аимер и Брассар в [8] создали систему для рекомендаций товаров для электронной коммерции, Голдбек в [9] представил рекомендательную систему для фильмов. Эти работы говорят о широком спектре применимости рекомендательных систем. Задачу автоматического проставления тегов к постам можно рассмотреть, как задачу мультикласовой классификации. В области машинного обучения эта задача ставится как сопоставление некоторого объекта одной или нескольким заранее определенным категориям. В случае, когда количество категорий равно двум, говорят о задаче бинарной классификации, если категорий больше – мультиклассификация.

Весь текст будет доступен после покупки

Список литературы

1. Агаджанян, Г. М. Системы рекомендаций: от классических методов к глубокому обучению [Текст] / Г. М. Агаджанян, И. В. Захаров // Вестник Казанского технологического университета. – 2018. – № 3. – С. 47-55.
2. Аксенова, Е. В. Применение методов машинного обучения для создания рекомендательных систем [Текст] / Е. В. Аксенова, М. Ю. Коваленко // Вопросы радиоэлектроники. – 2019. – № 1. – С. 32-40.
3. Бабаян, А. В. Анализ данных в рекомендательных системах [Текст] / А. В. Бабаян, Е. А. Платонов // Современные информационные технологии и ИТ-образование. – 2016. – № 4. – С. 64-72.
4. Барсуков, П. В. Рекомендательные системы в электронной коммерции [Текст] / П. В. Барсуков, И. В. Лемешев // Журнал прикладной информатики. – 2017. – № 2. – С. 89-95.
5. Болдырев, Д. С. Методы коллаборативной фильтрации в системах рекомендаций [Текст] / Д. С. Болдырев, Н. И. Тарасов // Вестник компьютерных и информационных технологий. – 2015. – № 5. – С. 53-60.
6. Волков, М. И. Применение гибридных методов в рекомендательных системах [Текст] / М. И. Волков, С. А. Петров // Компьютерные исследования и моделирование. – 2014. – № 6. – С. 21-29.
7. Григорьев, А. Н. Рекомендательные системы в социальных сетях [Текст] / А. Н. Григорьев, О. Ю. Смирнов // Журнал исследований по вычислительной технике. – 2018. – № 7. – С. 42-50.
8. Джабаров, И. А. Машинное обучение в задачах рекомендаций [Текст] / И. А. Джабаров, Л. Р. Каримов // Вестник Томского государственного университета. – 2017. – № 8. – С. 76-83.
9. Ефремов, В. В. Прогнозирование потребительских предпочтений в рекомендательных системах [Текст] / В. В. Ефремов, И. Н. Кириллова // Вестник Воронежского государственного университета. – 2015. – № 3. – С. 87-94.

Весь текст будет доступен после покупки

Почему студенты выбирают наш сервис?

Купить готовую работу сейчас
service icon
Работаем круглосуточно
24 часа в сутки
7 дней в неделю
service icon
Гарантия
Возврат средств в случае проблем с купленной готовой работой
service icon
Мы лидеры
LeWork является лидером по количеству опубликованных материалов для студентов
Купить готовую работу сейчас

не подошла эта работа?

В нашей базе 78761 курсовых работ – поможем найти подходящую

Ответы на часто задаваемые вопросы

Чтобы оплатить заказ на сайте, необходимо сначала пополнить баланс на этой странице - https://lework.net/addbalance

На странице пополнения баланса у вас будет возможность выбрать способ оплаты - банковская карта, электронный кошелек или другой способ.

После пополнения баланса на сайте, необходимо перейти на страницу заказа и завершить покупку, нажав соответствующую кнопку.

Если у вас возникли проблемы при пополнении баланса на сайте или остались вопросы по оплате заказа, напишите нам на support@lework.net. Мы обязательно вам поможем! 

Да, покупка готовой работы на сайте происходит через "безопасную сделку". Покупатель и Продавец финансово защищены от недобросовестных пользователей. Гарантийный срок составляет 7 дней со дня покупки готовой работы. В течение этого времени покупатель имеет право подать жалобу на странице готовой работы, если купленная работа не соответствует описанию на сайте. Рассмотрение жалобы занимает от 3 до 5 рабочих дней. 

У покупателя есть возможность снять готовую работу с продажи на сайте. Например, если необходимо скрыть страницу с работой от третьих лиц на определенный срок. Тариф можно выбрать на странице готовой работы после покупки.

Гарантийный срок составляет 7 дней со дня покупки готовой работы. В течение этого времени покупатель имеет право подать жалобу на странице готовой работы, если купленная работа не соответствует описанию на сайте. Рассмотрение жалобы занимает от 3 до 5 рабочих дней. Если администрация сайта принимает решение о возврате денежных средств, то покупатель получает уведомление в личном кабинете и на электронную почту о возврате. Средства можно потратить на покупку другой готовой работы или вывести с сайта на банковскую карту. Вывод средств можно оформить в личном кабинете, заполнив соответствущую форму.

Мы с радостью ответим на ваши вопросы по электронной почте support@lework.net

surpize-icon

Работы с похожей тематикой

stars-icon
arrowarrow

Не удалось найти материал или возникли вопросы?

Свяжитесь с нами, мы постараемся вам помочь!
Неккоректно введен e-mail
Нажимая на кнопку, вы соглашаетесь на обработку персональных данных