Дослідження алгоритмів рекомендаційного механізму в платформі з оцінюванням медіаконтенту

UKR: Пояснювальна записка до кваліфікаційної роботи магістра 181с., 35рис., 2 додатки, 71 джерело. Було проведено комплексне дослідження предметної області рекомендаційних систем, включаючи аналіз алгоритмів персоналізації контенту та описані вимоги користувачів відеоплатформи. На основі цього було виконано внутрішнє та зовнішнє проєктування програмного забезпечення. Вимоги були чітко визначені, а функціонал платформи охоплює можливість багатокритеріального ранжування відеоконтенту за тегами, популярністю, свіжістю та якістю, систему явних оцінок через лайки/дизлайки, п'ятикрокове категоризоване опитування для вирішення проблеми "холодного старту", а також відображення аналітичних даних у вигляді візуалізації топ-тегів та динаміки метрик за 30 днів. Виконана розробка платформи з використанням фреймворку Vue.js 3 з Composition API для фронтенду, Firebase для реал-тайм синхронізації даних та Cloudinary для обробки медіафайлів. Після реалізації програма пройшла етап тестування та відлагодження для забезпечення надійності та оптимальної продуктивності. Мета розробки полягає у створенні ефективної системи персоналізованих рекомендацій медіаконтенту, що уникає ефекту "filter bubble" та забезпечує прозорість алгоритмів через декомпозицію фінального скору. Об'єкт дослідження — експериментальна платформа MyTube, спрямована на оцінювання та рекомендацію відеоконтенту.

ENG: Explanatory note to the master's qualification work 181 pages, 35 figures, 2 appendices, 71 sources. A comprehensive study of the subject area of recommendation systems was conducted, including analysis of content personalization algorithms and description of video platform user requirements. Based on this, internal and external software design was performed. Requirements were clearly defined, and the platform functionality includes multi-criteria ranking of video content by tags, popularity, freshness and quality, an explicit rating system through likes/dislikes, a five-step categorized survey to solve the "cold start" problem, as well as display of analytical data in the form of top tags visualization and metrics dynamics over 30 days. The platform was developed using Vue.js 3 framework with Composition API for the frontend, Firebase for real-time data synchronization and Cloudinary for media file processing. After implementation, the program underwent testing and debugging to ensure reliability and optimal performance. The development goal is to create an effective personalized media content recommendation system that avoids the "filter bubble" effect and ensures algorithm transparency through final score decomposition. The research object is the experimental MyTube platform aimed at evaluating and recommending video content.