Primerjava latentnih modelov za priporočilne sisteme v strojnem učenjuBUCIK, DEMIAN (Avtor) Bosnić, Zoran (Mentor) skupinsko filtriranjestrojno učenjematrična faktorizacijaomejen Boltzmannov strojmetoda največje aposteriorne verjetnostiVseprisotnost priporočilnih sistemov v digitalnem ekosistemu korenito spreminja način uporabe spletnih storitev. V poplavi informacij se uporabniki za dostop do zanimivih in koristnih vsebin zanašajo na njihova priporočila. Cilj te diplomske naloge je predstaviti dve vrsti priporočilnih sistemov, ki temeljijo na skupinskem filtriranju. Pri konstrukciji modelov se opremo na določene koncepte strojnega učenja. Modele implementiramo v okolju Python in evalviramo pri napovedovanju števila poslušanj izvajalcev in uporabnikovih ocen vsebine, za kar uporabimo dve podatkovni množici. Ob tem predlagamo način razširitve omejenega Boltzmannovega stroja za priporočanje in modeliranje zveznih ocen ter uporabimo dodatek modelu na osnovi matričnega razcepa, ki omogoča modeliranje prijateljstev med uporabniki. Rezultati nakazujejo, da modeli na osnovi matričnega razcepa delujejo občutno bolje in da se splača več časa investirati v njihov nadaljnji razvoj.20192019-03-18 15:20:03Diplomsko delo/naloga106833VisID: 21902sl