| Abstract |
Bakalaura darba “Rekomendācijas sistēmu risinājumu novērtējums” aktualitāte ir saistīta ar to, ka mūsdienās bez palīgrīkiem ir grūti atrast sev vai kādam citam piemērotu informāciju vai lietu liela informācijas un lietu apjoma pieejamības dēļ. Lai šo procesu padarītu vieglāku, ir izmantotas rekomendācijas sistēmas. Diezgan grūti izvēlēties, kādu rekomendācijas sistēmas veidu labāk izmantot, lai veiktu visprecīzākās rekomendācijas un netērētu pārāk daudz laika un resursu šīs sistēmas izstrādei un darbībai.
Darba mērķa ietvaros ir izpētīti un novērtēti dažādi rekomendācijas sistēmu risinājumi. Darba teorētiskajā daļā ir apskatītas rekomendācijas procesa fāzes, kā arī rekomendācijas sistēmu implementēšanai nepieciešamie dati. Papildus ir apskatītas dažādas rekomendācijas sistēmas apmācības metodes, to trūkumi, priekšrocības un ar tām saistītas problēmas, kas var rasties rekomendācijas sistēmu izstrādes laikā.
Izmantojot iegūtās teorētiskās zināšanās, publiski pieejamu datu bāzi MovieLens, kā arī programmēšanas pakotnes Pandas un Surprise-scikit, praktiski ir implementētas un pētītas trīs rekomendācijas sistēmas Python programmēšanā valodā. Dotās sistēmas izstrādes laikā ir sastapta un novērsta ar sadarbības rekomendācijas metodēm saistīta zema datu blīvuma problēma. Analizējot iegūtos rezultātus, ir veikti secinājumi un doti ieteikumi, kādus rekomendācijas sistēmu risinājumus un kādam nolūkam tos labāk izmantot.
Darba apjoms - 64 lpp., 11 tabulas, 31 attēli un 3 pielikumi. |
