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

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

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

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

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