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 | Размер | Формат | |
|---|---|---|---|
| conference_tpu-2026-C21_V3_p134-136.pdf | 363,81 kB | Adobe PDF | Просмотреть/Открыть |
Лицензия на ресурс: Лицензия Creative Commons