СОФТВЕРСКИ СИСТЕМ ЗА ПРЕПОРУКУ СТУДИЈСКОГ МОДУЛА НА СМЕРУ РАЧУНАРСТВО И АУТОМАТИКА
Ključne reči:
системи за препоруку, колаборативно филтрирање, модел латентних фактора, семантички веб, RDF, SPARQL, Java Spring
Apstrakt
Овај рад бави се истраживањем перформанси два приступа системима за препоруку. Први тип система за преоруку је систем за препоруку заснован на колаборативном филтрирању, а други је заснован на моделу латентних фактора. За складиштење података користе се технологије семантичког веба где се подаци налазе на Фусеки серверу одакле се добављају SPARQL упитима. Тачност система за препоруку заснованом на колаборативном филтрирању износи 83.92% док је тачност система за препоруку засновану на моделу латентних фактора 30.04%. Закључено је да иако примитивнија метода, колаборативно филтрирање, даје боље резултате јер се користи део целокупног скупа студената.
Reference
[1] https://www.w3.org/standards/semanticweb/ontology
[2] https://www.w3.org/OWL/
[3] https://www.w3.org/RDF/
[4] https://www.w3.org/TR/rdf-sparql-query/
[5] https://www.datacamp.com/community/tutorials /recommender-systems-python
[6] https://onlinestatbook.com/2/describing_bivariate_data /pearson.html
[7] Learning Personal+Social Latent Factor Model for Social Recommendation; Yelong Shen, Ruoming Jin; Department of Computer Science Kent State University.
[8] MF-Based-Recommendation https://github.com/ShantanuDeshpande/MF-Based-Recommendation
[2] https://www.w3.org/OWL/
[3] https://www.w3.org/RDF/
[4] https://www.w3.org/TR/rdf-sparql-query/
[5] https://www.datacamp.com/community/tutorials /recommender-systems-python
[6] https://onlinestatbook.com/2/describing_bivariate_data /pearson.html
[7] Learning Personal+Social Latent Factor Model for Social Recommendation; Yelong Shen, Ruoming Jin; Department of Computer Science Kent State University.
[8] MF-Based-Recommendation https://github.com/ShantanuDeshpande/MF-Based-Recommendation
Objavljeno
2019-03-09
Sekcija
Elektrotehničko i računarsko inženjerstvo