Інтелектуальна система кластеризації у комп'ютерних іграх для персоналізованого контенту

Abstract

Кваліфікаційна робота присвячена розробці та налагодженню інтелектуальної рекомендаційної системи, що ґрунтується на використанні методів кластеризації. Дослідження спрямоване на вдосконалення процесу надання рекомендацій, використовуючи різні методи валідації для визначення оптимальних параметрів кластеризації. Об'єкт – процес надання рекомендацій за допомогою кластеризації. Предмет – методи та алгоритми кластеризації для рекомендаційних задач. Мета кваліфікаційної роботи - дослідження методів та ефективності інтелектуальних систем кластеризації у комп'ютерних іграх для персоналізованого контенту. У роботі розглядаються теоретичні аспекти функціонування нейронних мереж та алгоритмів у контексті надання рекомендацій. Проводиться практичне застосування розробленої системи на реальних наборах даних. Результати експериментів порівнюються з існуючими методами побудови рекомендаційних систем, що дозволяє визначити ефективність та конкурентоспроможність запропонованого підходу. Кваліфікаційна робота містить 116 сторінок, 19 рисунків, 6 таблиці та 1 додаток. В роботі використано 49 джерела. The qualification work is devoted to the development and adjustment of an intelligent recommender system based on the use of clustering methods. The study is aimed at improving the recommendation process using various validation methods to determine the optimal clustering parameters. The object is the process of providing recommendations using clustering. The subject is clustering methods and algorithms for recommendation problems. The purpose of the qualification work is to study the methods and effectiveness of intelligent clustering systems in computer games for personalized content. The paper considers the theoretical aspects of the functioning of neural networks and algorithms in the context of providing recommendations. The practical application of the developed system is carried out on real data sets. The results of the experiments are compared with the existing methods of building recommendation systems, which allows us to determine the effectiveness and competitiveness of the proposed approach. The qualification work contains 116 pages, 19 figures, 6 tables and 1 appendix. 49 sources were used in the work.