Пожалуйста, используйте этот идентификатор, чтобы цитировать или ссылаться на этот ресурс: http://earchive.tpu.ru/handle/11683/139742
Название: Сравнительный анализ метода малоранговой аппроксимации SVP и нейросетевых алгоритмов в задаче построения рекомендательной системы для потребителей онлайн-сервисов
Другие названия: Comparative analysis of the low-rank approximation SVP method and neural network algorithms in the problem of building a recommender system for consumers of online services
Авторы: Решетникова, Е. С.
Научный руководитель: Крицкий, Олег Леонидович
Ключевые слова: SVP; Autoencoder; low-rank approximation; matrix completion; recommender systems
Дата публикации: 2026
Издатель: Томский политехнический университет
Библиографическое описание: Решетникова, Е. С. Сравнительный анализ метода малоранговой аппроксимации SVP и нейросетевых алгоритмов в задаче построения рекомендательной системы для потребителей онлайн-сервисов / Е. С. Решетникова ; науч. рук. О. Л. Крицкий // Перспективы развития фундаментальных наук. — Томск : Изд-во ТПУ, 2026. — Т. 3 : Математика. — С. 134-136.
Аннотация: In this paper, we investigate low-rank matrix completion methods for building recommender systems. In particular, we analyze the Singular Value Projection (SVP) algorithm and compare it with a neural network-based Autoencoder approach. We study convergence behavior, reconstruction quality, and recommendation performance. The results demonstrate that SVP provides stable low-rank approximations with controllable model complexity, while Autoencoder allows capturing nonlinear patterns. The comparative analysis highlights advantages and limitations of both approaches in large-scale recommendation issues
URI: http://earchive.tpu.ru/handle/11683/139742
Располагается в коллекциях:Материалы конференций

Файлы этого ресурса:
Файл РазмерФормат 
conference_tpu-2026-C21_V3_p134-136.pdf363,81 kBAdobe PDFПросмотреть/Открыть


Лицензия на ресурс: Лицензия Creative Commons Creative Commons