ANALYSIS OF CONTENT RECOMMENDATION METHODS IN INFORMATION SERVICES

Oleksandr Necheporuk; Svitlana Vashchenko; Nataliia Fedotova; Iryna  Baranova; Yaroslava Dehtiarenko

doi:10.35784/iapgos.6203

PDF (angielski)

Opublikowane: 2024-09-30

DOI: https://doi.org/10.35784/iapgos.6203

Numer Tom 14 Nr 3 (2024)

TEORETYCZNE PODEJŚCIE DO OKREŚLANIA EMISYJNOŚCI MATERIAŁÓW STAŁYCH I JEJ PORÓWNANIE Z BADANIAMI EKSPERYMENTALNYMI NA PRZYKŁADZIE STALI PROSZKOWEJ 316L
Oleksandr Vasilevskyi, Michael Cullinan, Jared Allison

5-8
SYSTEM INFORMACYJNY DO WYKRYWANIA PARAMETRÓW NIEBEZPIECZNYCH OBIEKTÓW PRZEMYSŁOWYCH NA PODSTAWIE TECHNOLOGII GEOINFORMACYJNYCH
Oleg Barabahs, Olha Svynchuk, Olena Bandurka, Oleh Ilin

9-14
OKRESOWE FUNKCJE ATEB I METODA VAN DER POLA DO KONSTRUOWANIA ROZWIĄZAŃ DWUWYMIAROWYCH NIELINIOWYCH MODELI OSCYLACJI CIAŁ SPRĘŻYSTYCH
Yaroslav Romanchuk, Mariia Sokil, Leonid Polishchuk

15-20
WYKORZYSTANIE REGRESJI PROCESU GAUSSA DO IDENTYFIKACJI NIELINIOWYCH PROCESÓW SEPARACJI MAGNETYCZNEJ
Oleksandr Volovetskyi

21-28
DWUWYMIAROWA MAPA HIPERCHAOTYCZNA DLA CHAOTYCZNYCH OSCYLACJI
Oleh Krulikovskyi, Serhii Haliuk, Ihor Safronov, Valentyn Lesinskyi

29-34
NEUROBIOLOGICZNE WŁAŚCIWOŚCI STRUKTURY SIECI RÓWNOLEGŁO-HIERARCHICZNEJ I JEJ WYKORZYSTANIE DO ROZPOZNAWANIA WZORCÓW
Leonid Timchenko, Natalia Kokriatskaia, Volodymyr Tverdomed, Anatolii Horban, Oleksandr Sobovyi, Liudmyla Pogrebniak, Nelia Burlaka, Yurii Didenko, Maksym Kozyr, Ainur Kozbakova

35-38
MODELE FAŁSZYWEGO I POPRAWNEGO WYKRYWANIA SYGNAŁÓW WYCIEKU INFORMACJI Z EKRANÓW MONITORÓW PRZEZ WYSPECJALIZOWANE ŚRODKI TECHNICZNE WROGIEGO WYWIADU
Dmytro Yevgrafov, Yurii Yaremchuk

39-42
USPRAWNIENIE CYFROWEGO KORELACYJNO-INTERFEROMETRYCZNEGO USTALANIA KIERUNKU ZA POMOCĄ PRZESTRZENNEGO SYGNAŁU ANALITYCZNEGO
Nurzhigit Smailov, Vitaliy Tsyporenko, Akezhan Sabibolda, Valentyn Tsyporenko, Askar Abdykadyrov, Assem Kabdoldina, Zhandos Dosbayev, Zhomart Ualiyev, Rashida Kadyrova

43-48
MODEL MATEMATYCZNY I STRUKTURA SIECI NEURONOWEJ DO WYKRYWANIA CYBERATAKÓW NA SYSTEMY TELEINFORMATYCZNE I KOMUNIKACYJNE
Lubov Zahoruiko, Tetiana Martianova, Mohammad Al-Hiari, Lyudmyla Polovenko, Maiia Kovalchuk, Svitlana Merinova, Volodymyr Shakhov, Bakhyt Yeraliyeva

49-55
METODA TWORZENIA SYSTEMU SKRÓCONEGO KODU POZYCYJNEGO DLA PRZEKSZTAŁCONYCH OBRAZÓW WIDEO
Volodymyr Barannik, Roman Onyshchenko, Gennady Pris, Mykhailo Babenko, Valeriy Barannik, Vitalii Shmakov, Ivan Pantas

56-60
OPARTE NA LICZBACH Z MODELOWANIE GRUPOWEGO PODEJMOWANIA DECYZJI DOTYCZĄCYCH WYBORU DOSTAWCÓW W SYSTEMACH PRODUKCYJNYCH
Kamala Aliyeva

61-67
OPTYMALIZACJA INTELIGENTNIE STEROWANEGO BEZMOSTKOWEGO DODATNIEGO PRZEKSZTAŁTNIKA LUO DLA POJAZDÓW ELEKTRYCZNYCH O MAŁEJ POJEMNOŚCI
Rangaswamy Balamurugan, Ramasamy Nithya

68-70
ZMODYFIKOWANY VGG16 DO DOKŁADNEGO WYKRYWANIA GUZÓW MÓZGU W OBRAZACH MRI
Katuri Rama Krishna, Mohammad Arbaaz, Surya Naga Chandra Dhanekula, Yagna Mithra Vallabhaneni

71-75
EKG OPARTE NA IOT: HYBRYDOWE PODEJŚCIE CNN-BILSTM DO KLASYFIKACJI ZAWAŁÓW MIĘŚNIA SERCOWEGO
Abdelmalek Makhir, My Hachem El Yousfi Alaoui, Larbi Bellarbi, Abdelilah Jilbab

76-80
ZINTEGROWANY MODEL HYBRYDOWY DO WYKRYWANIA CHORÓB PŁUC Z WYKORZYSTANIEM GŁĘBOKIEGO UCZENIA SIĘ
Budati Jaya Lakshmi Narayana, Gopireddy Krishna Teja Reddy, Sujana Sri Kosaraju, Sirigiri Rajeev Choudhary

81-85
MAPOWANIE POLARYZACYJNO-KORELACYJNE OBRAZÓW MIKROSKOPOWYCH TKANEK BIOLOGICZNYCH O RÓŻNEJ STRUKTURZE MORFOLOGICZNEJ
Nataliia Kozan, Oleksandr Saleha, Olexander Dubolazov, Yuriy Ushenko, Iryna Soltys, Oleksandr Ushenko, Oleksandr Olar, Victor Paliy, Saule Smailova

86-90
WYKRYWANIE I KLASYFIKACJA RYB W CZASIE RZECZYWISTYM W ŚRODOWISKU PODWODNYM PRZY UŻYCIU YOLOV5: BADANIE PORÓWNAWCZE ARCHITEKTUR GŁĘBOKIEGO UCZENIA
Rizki Multajam, Ahmad Faisal Mohamad Ayob, W.S. Mada Sanjaya, Aceng Sambas, Volodymyr Rusyn, Andrii Samila

91-95
WYKRYWANIE CHWASTÓW NA MARCHWI PRZY UŻYCIU KONWOLUCYJNEJ SIECI NEURONOWEJ I INTERNETU RZECZY OPARTEGO NA SMARTFONIE
Lintang Patria, Aceng Sambas, Ibrahim Mohammed Sulaiman, Mohamed Afendee Mohamed, Volodymyr Rusyn, Andrii Samila

96-100
ANALIZA I BADANIE PARAMETRÓW WALCOWANIA ZWOJÓW NA POCHYŁEJ PŁASZCZYŹNIE
Larysa Gumeniuk, Lesya Fedik, Volodymyr Didukh, Pavlo Humeniuk

101-104
ANALIZA METOD REKOMENDACJI TREŚCI W SERWISACH INFORMACYJNYCH
Oleksandr Necheporuk, Svitlana Vashchenko, Nataliia Fedotova, Iryna Baranova, Yaroslava Dehtiarenko

105-108
OCENA WYDAJNOŚCI AKADEMICKIEJ STUDENTÓW W NAUCE ONLINE ZA POMOCĄ TECHNIK UCZENIA MASZYNOWEGO
Atika Islam, Faisal Bukhari, Muhammad Awais Sattar, Ayesha Kashif

109-117
ENTROPIJNA OCENA WPŁYWU EDUKACJI NA ROZWÓJ GOSPODARCZY
Yelyzaveta Mykhailova, Nataliia Savina, Volodymyr Lytvynenko, Stanislav Mykhailov

118-122
SYSTEM ІNFORMATYCZNY DO OCENY POZIOMU ZARZĄDZANIA KAPITAŁEM LUDZKIM
Anzhelika Azarova, Larysa Azarova, Iurii Krak, Olga Ruzakova, Veronika Azarova

123-128
ZDECENTRALIZOWANA PLATFORMA FINANSOWANIA PROJEKTÓW CHARYTATYWNYCH
Iryna Segeda, Vladyslav Kotsiuba, Oleksii Shushura, Viktoriia Bokovets, Natalia Koval, Aliya Kalizhanova

129-134

Archiwum

2026

Tom 16 Nr 2
2026-06-30 27
Tom 16 Nr 1
2026-03-30 27

2025

Tom 15 Nr 4
2025-12-20 27
Tom 15 Nr 3
2025-09-30 24
Tom 15 Nr 2
2025-06-27 24
Tom 15 Nr 1
2025-03-31 26

2024

Tom 14 Nr 4
2024-12-21 25
Tom 14 Nr 3
2024-09-30 24
Tom 14 Nr 2
2024-06-30 24
Tom 14 Nr 1
2024-03-31 23

2023

Tom 13 Nr 4
2023-12-20 24
Tom 13 Nr 3
2023-09-30 25
Tom 13 Nr 2
2023-06-30 14
Tom 13 Nr 1
2023-03-31 12

2022

Tom 12 Nr 4
2022-12-30 16
Tom 12 Nr 3
2022-09-30 15
Tom 12 Nr 2
2022-06-30 16
Tom 12 Nr 1
2022-03-31 9

Authors

Oleksandr Necheporuk

alexn948@gmail.com

Sumy State University

https://orcid.org/0000-0002-9905-031X

Svitlana Vashchenko

s.vashchenko@cs.sumdu.edu.ua

Sumy State University

Nataliia Fedotova

n.fedotova@cs.sumdu.edu.ua

Sumy State University

https://orcid.org/0000-0001-9304-1693 ##orcid.unauthenticated##

Iryna Baranova

i.baranova@cs.sumdu.edu.ua

Sumy State University

https://orcid.org/0000-0002-3767-8099

Yaroslava Dehtiarenko

meisudzuky@gmail.com

Politechnika Lubelska

Abstrakt

Przedmiotem badań jest proces wyboru metody rekomendacji treści w serwisach informacyjnych. Trafność badania wynika z szybkiego rozwoju zasobów informacyjnych i rozrywkowych oraz wzrostu ilości danych, na których działają, dlatego w celu utrzymania uwagi użytkownika wykorzystywane są systemy rekomendacyjne. Biorąc pod uwagę różne rodzaje treści, konieczne jest rozwiązanie problemu filtrowania danych na podstawie ich charakterystyki i preferencji użytkownika. Aby rozwiązać problem, przeanalizowano metody filtrowania treści, filtrowania kooperacyjnego z wykorzystaniem różnych technik (technika oparta na modelu, technika oparta na pamięci i hybrydowa technika filtrowania kolaboracyjnego), filtrowanie oparte na wiedzy oraz metody filtrowania hybrydowego. Biorąc pod uwagę zalety i wady każdej metody, wybrano metodę hybrydową wykorzystującą filtrowanie kolaboracyjne oparte na modelu i filtrowanie oparte na treści do przyszłego rozwoju proponowanego uniwersalnego systemu rekomendacji.

Słowa kluczowe:

system rekomendacji oparty na treści, system rekomendacji oparty na współpracy, hybrydowy system rekomendacji

Bibliografia

[1] Akbar A., Agarwal P., Obaid A. J.: Recommendation engines-neural embedding to graph-based: Techniques and evaluations. International Journal of Nonlinear Analysis and Applications 13(1), 2022, 2411–2423 [https://doi.org/10.22075/IJNAA.2022.5941].

[2] Aldossary A.: Recommender Systems Principles and methods in Web 2 Applications An analytical view of the filters used in YouTube. Multi-Knowledge Electronic Comprehensive Journal For Education And Science Publication (MECSJ), 37, 2020.

[3] Ameen A.: Knowledge based Recommendation System in Semantic Web-A Survey. International Journal of Computer Applications 182(43), 2019, 20–25.

[4] Bertini M. et al.: Keeping up with the Influencers: Improving User Recommendation in Instagram using Visual Content. UMAP 2020 Adjunct – Adjunct Publication of the 28th ACM Conference on User Modeling, Adaptation and Personalization, 2020, 29–34 [https://doi.org/10.1145/3386392.3397594].

[5] Chu W. T., Tsai Y. L.: A hybrid recommendation system considering visual information for predicting favorite restaurants. World Wide Web 20(6), 2017, 1313–1331 [https://doi.org/10.1007/S11280-017-0437-1/METRICS].

[6] Gohari F. S., Tarokh M. J.: Classification and Comparison of the Hybrid Collaborative Filtering Systems. International Journal of Research in Industrial Engineering 6(2), 2017, 129–148 [https://doi.org/10.22105/RIEJ.2017.49158].

[7] Korotaev A., Lyadova L.: Method for the development of recommendation systems, customizable to domains, with deep GRU network. Proceedings of the 10th International Joint Conference on Knowledge Discovery, Knowledge Engineering and Knowledge Management – IC3K 2018, 2018, 231–236 [https://doi.org/10.5220/0006933302310236].

[8] Kwan C., Koh’s M. Q., Jasser M. B.: A Comparison Study Between Content-Based and Popularity-Based Filtering via Implementing a Book Recommendation System. International Journal Of Advanced Research In Engineering & Technology 11(12), 2020, 1121–1135 [https://www.researchgate.net/publication/348190964_A_Comparison_Study_Between_Content-Based_and_Popularity-Based_Filtering_via_Implementing_a_ Book_Recommendation_System] (available: 10.05.2016)

[9] Madathil M.: Music Recommendation System Spotify-Collaborative Filtering Mithun Madathil, 2017.

[10] Mohammed Al Mani I. A.: Collaborative filtering recommendation system: Comparison study (M.Sc. Thesis, Altinbaş University). 2018. [http://openaccess.altinbas.edu.tr/xmlui/handle/20.500.12939/1724] (available: 10.05.2016).

[11] Mustafa N. et al.: Collaborative filtering: Techniques and applications. Proceedings of International Conference on Communication, Control, Computing and Electronics Engineering – ICCCCEE 2017 [https://doi.org/10.1109/ICCCCEE.2017.7867668].

[12] Naumov M. et al.: Deep Learning Recommendation Model for Personalization and Recommendation Systems. 2019.

[13] Ni X. et al.: Feature selection for Facebook feed ranking system via a group-sparsity-regularized training algorithm. Proceedings of International Conference on Information and Knowledge Management, 2019, 2085–2088 [https://doi.org/10.1145/3357384.3358114].

[14] Nilashi M., Ibrahim O., Bagherifard K.: A recommender system based on collaborative filtering using ontology and dimensionality reduction techniques. Expert Systems with Applications 92, 2018, 507–520 [https://doi.org/10.1016/J.ESWA.2017.09.058].

[15] Pajkovic N.: Algorithms and taste-making: Exposing the Netflix Recommender System’s operational logics. Convergence 28(1), 2022, 214–235 [https://doi.org/10.1177/13548565211014464].

[16] Parfenenko Yu., Kovtun A., Verbytska A.: Recommended information system for video search. Scientific journal "Transactions of Kremenchuk Mykhailo Ostrohradskyi National University" 5(118), 2019, 97–102 [https://doi.org/10.30929/1995-0519.2019.5.97-102].

[17] Patil M., Brid S., Dhebar S.: Comparison Of Different Music Recommendation System Algorithms. International Journal of Engineering Applied Sciences and Technology 5 (6), 2020 [https://doi.org/10.33564/IJEAST.2020.v05i06.036].

[18] Raghuwanshi S. K., Pateriya R. K.: Recommendation systems: Techniques, challenges, application, and evaluation. Advances in Intelligent Systems and Computing 817, 2019, 151–164 [https://doi.org/10.1007/978-981-13-1595-4_12/COVER].

[19] Ranjan A. A. et al.: An Approach for Netflix Recommendation System using Singular Value Decomposition. An International Research Journal 10(4), 2019, 774–779 [https://doi.org/10.29055/jcms/1063].

[20] Shahbazi Z., Byun Y.-C.: Improving the Product Recommendation System based-on Customer Interest for Online Shopping Using Deep Reinforcement Learning. Soft Computing and Machine Intelligence Journal 1(1), 2021 [https://doi.org/10.22995/scmi.2021.1.1.02].

[21] Shuaibi A.: Predicting the Popularity of Reddit Posts. 2019.

[22] Wilhelm M. et al.: Practical Diversified Recommendations on YouTube with Determinantal Point Processes. ACM Reference Format: Gillenwater, 2018. [https://doi.org/10.1145/3269206.3272018].

[23] Zarzour H. et al.: A new collaborative filtering recommendation algorithm based on dimensionality reduction and clustering techniques. 9th International Conference on Information and Communication Systems – ICICS 2018, January 2018, 102–106 [https://doi.org/10.1109/IACS.2018.8355449].

[24] Mashkovskyi S.: Latent-semantic analysis, social networks and non-structured data: interaction method. Visnyk Universytetu "Ukraina" 2(23), 2019 [https://doi.org/10.36994/2707-4110-2019-2-23-29].

ANALIZA METOD REKOMENDACJI TREŚCI W SERWISACH INFORMACYJNYCH. (2024). Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska, 14(3), 105-108. https://doi.org/10.35784/iapgos.6203

##plugins.themes.bootstrap3.article.sidebar##

Numer Tom 14 Nr 3 (2024)

Archiwum

##plugins.themes.bootstrap3.article.main##

Authors

Abstrakt

Słowa kluczowe:

Bibliografia

##plugins.themes.bootstrap3.article.details##

Licencja