Пожалуйста, используйте этот идентификатор, чтобы цитировать или ссылаться на этот ресурс: http://earchive.tpu.ru/handle/11683/139742
Полная запись метаданных
Поле DCЗначениеЯзык
dc.contributor.advisorКрицкий, Олег Леонидовичru
dc.contributor.authorРешетникова, Е. С.ru
dc.date.accessioned2026-11-14T16:50:05Z-
dc.date.available2026-11-14T16:50:05Z-
dc.date.issued2026-
dc.identifier.citationРешетникова, 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.ru
dc.identifier.urihttp://earchive.tpu.ru/handle/11683/139742-
dc.description.abstractIn 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 issuesen
dc.format.mimetypeapplication/pdf-
dc.language.isoruen
dc.publisherТомский политехнический университетru
dc.relation.ispartofПерспективы развития фундаментальных наук. 2026. Т. 3 : Математикаru
dc.rightsinfo:eu-repo/semantics/openAccess-
dc.rightsAttribution-NonCommercial 4.0 Internationalen
dc.rights.urihttps://creativecommons.org/licenses/by-nc/4.0/-
dc.subjectSVPen
dc.subjectAutoencoderen
dc.subjectlow-rank approximationen
dc.subjectmatrix completionen
dc.subjectrecommender systemsen
dc.titleСравнительный анализ метода малоранговой аппроксимации SVP и нейросетевых алгоритмов в задаче построения рекомендательной системы для потребителей онлайн-сервисовru
dc.title.alternativeComparative analysis of the low-rank approximation SVP method and neural network algorithms in the problem of building a recommender system for consumers of online servicesen
dc.typeConference Paperen
dc.typeinfo:eu-repo/semantics/conferencePaper-
dc.typeinfo:eu-repo/semantics/publishedVersion-
dcterms.audienceResearchesen
local.description.firstpage134-
local.description.lastpage136-
local.filepathconference_tpu-2026-C21_V3_p134-136.pdf-
local.identifier.bibrec(RuTPU)688936-
local.localtypeДокладru
local.volume3-
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