Рекомендация релевантных новостных ресурсов на основе методов машинного обучения

В данной дипломной работе анализируются методы рекомендаций но- востных ресурсов. Новости являются быстроустаревающим контентом, ча- сто живут не больше одного дня. Что делает их особенными. Цель работы - применить существующие рекомендательные модели на датасете новостных ресурсов и оценить качество их работы. Для рекомендации новостей исполь- зуются следующие алгоритмы: PureSVD, ImplicitALS, LightFMWrapper, PopularityModel, RandomModel. Для оценки качества используются метрики: F-measure, precision, recall, nDCG (Normalized Discounted Cumulative Gain). Итоги исследований: лучшим алго- ритм - ImplicitALS, за ним идут PureSVD, PopularityModel, LightFMWrapper, RandomModel. Также модели исследуются на реальных пользователях. Все рекомендации отображаются в специальном рекомендательном блоке. Для каждой рекомендации изменря- ется количество показов и кликов по ней. Метрикой качества выступает ctr (отношение количества кликов по статье к её показам в рекомендательном блоке). Итоги боевых тестов: лучшим алгоритм PureSVD, за ним идут ImplicitALS, PopularityModel, LightFMWrapper, RandomModel.