Рекомендательная система мероприятий города

Актуальность темы
Одной из областей применения рекомендательных систем является социальная сфера. Их внедрение может поспособствовать улучшению социального климата за счет продвижения информации о социально значимых событиях, таких как спортивные соревнования, культурно-массовых мероприятий и волонтерского движения.

Цели и задачи ВКР
Задачи:
Выполнить анализ предметной области и основных подходы, существующие в рекомендательных системах.
Произвести проектирование рекомендательной системы мероприятий города.
Произвести комплекс мероприятий по разработке системы и её тестированию.
Целью работы является разработка рекомендательной системы мероприятий города, способной предоставить функциональные возможности по корректированию конечных множеств информационных объектов.

«Collaborative Filtering»
«User-based»
«Item-based»

«Content based» и «Knowledge-based»
«Content based»
«Knowledge-based»
Группа 1
Группа 2

«Hybrid»
Данные
Рекомендация
МОНОЛИТНАЯ СИСТЕМА
МЕТОД 1
МЕТОД 2
МЕТОД N
…
…
Данные
Рекомендация
ПАРАЛЛЕЛЬНАЯ СИСТЕМА
МЕТОД 1
МЕТОД 2
МЕТОД N

Критерии выбора модели рекомендательной системы
Отсутствие жесткой привязки к четкой идентификации всех пользователей при расчетах.
Отсутствие проблем холодного старта.
Скорость расчетов рекомендаций по выборке объектов из базы.
Адаптация к изменениям предпочтений пользователя.

Описание работы системы рекомендаций
Данные
Рекомендации
Модуль 1
Модуль 2
Результат
Данные – Статистические данные пользователя
Модуль 1 – Блок расчета процентного соотношения данных в результирующей выборке по каждой категории исходя из данных о пользовательских предпочтениях и системных коэффициентов
Модуль 2 – Блок сортировки результатов полученных в блоке 2 на основании данных об индексе эмоциональной лояльности клиента
Рекомендации – коллекция параметров на основании которых будет производиться выборка из БД
Рекомендательная система

Описание работы алгоритма
(Модуль 1)
0.4
0.2
5
-0.5
4
-0.1
0.1
0.3
1
0.1
Системные коэффициенты
Статистика пользователя
50%
40%
10%
25%
25%
25%
25%
0.4
0.3
0.1
0.2
-0.5
-0.1
0.1
Формирование пользовательской и системной коллекции рекомендаций
Формирование результата
32.4%
13.5%
24.3%
29,7%
55.1%
34.6%
10.2%
+
50%
40%
10%
25%
25%
25%
25%
Производится пересчет используя системные коэффициенты

Описание работы алгоритма (Модуль 2)
32.4%
13.5%
24.3%
29,7%
55.1%
34.6%
10.2%
+
9.5
8.5
4
NPS
Фильтрация + сортировка
Производим разделение и сортировку коллекций для последующей обработки
10.2%
55.1%
34.6%
+
32.4%
24.3%
13.5%
29,7%
32.4 > 29.7 > 24.3 > 13.5
Формируем данные для результирующей коллекции
+
10.2%
55.1%
34.6%
13.5%
29,7%
32.4%
24.3%
100%
= 42%
= 57%
9.5
8.5
9.5
8.5
Описание работы алгоритма
(Модуль 2)

Модель данных
Модель данных

DFD диаграмма подсистемы регламентированной загрузки контента

DFD диаграмма процесса загрузки данных из внешних источников

DFD диаграмма процесса сохранения данных в БД

Инструментальные средства
Инструментальные средства
Laravel Blade

Разработка интерфейса пользователя

Результат работы с расписаниями

Интерфейс администратора

Статистика предоставляемая администратору

Интерфейс мобильных устройств

Выводы
Разработана гибридная рекомендательная система конвейерного типа, не чувствительная к проблемам холодного старта и являющейся отзывчивой к меняющимся предпочтениям пользователя, а также обладает достаточно хорошей скоростью расчетов.
Представленная система архитектурно готова к работе с различными информационными источниками, является социально ориентированной, обладает достаточно хорошей скоростью работой данных и чувствительностью к изменениям предпочтений пользователя.

https://srec-sevastopol.000webhostapp.com