Дипломная работа на тему "ТЮМГУ | Разработка рекомендательной подсистемы для построения индивидуальных образовательных траекторий"

Работа на тему: Разработка рекомендательной подсистемы для построения индивидуальных образовательных траекторий
Оценка: отлично.
Оригинальность работы на момент публикации 50+% на антиплагиат.ру.
Ниже прилагаю все данные для покупки.
https://studentu24.ru/list/suppliers/Anastasiya1---1326

Описание работы

МИНИСТЕРСТВО НАУКИ И ВЫСШЕГО ОБРАЗОВАНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИ
Федеральное государственное автономное образовательное учреждение
высшего образования
«ТЮМЕНСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ»

ИНСТИТУТ МАТЕМАТИКИ И КОМПЬЮТЕРНЫХ НАУК
Кафедра программного обеспечения

РЕКОМЕНДОВАНО К ЗАЩИТЕ В ГЭК

ВЫПУСКНАЯ КВАЛИФИКАЦИОННАЯ РАБОТА
бакалаврская работа
Разработка рекомендательной подсистемы для построения индивидуальных образовательных траекторий

02.03.03 Математическое обеспечение и администрирование информационных систем
Профиль «Технологии программирования»

Тюмень 2022

СОДЕРЖАНИЕ
СОДЕРЖАНИЕ 2
ВВЕДЕНИЕ 4
ГЛАВА 1. ИССЛЕДОВАНИЕ РЕКОМЕНДАТЕЛЬНЫХ СИСТЕМ 7
1.1. ИЗУЧЕНИЕ ПОДХОДОВ, ИСПОЛЬЗУЕМЫХ В РЕКОМЕНДАТЕЛЬНЫХ СИСТЕМАХ 7
ФИЛЬТРАЦИЯ НА ОСНОВЕ СОДЕРЖАНИЯ 7
КОЛЛАБОРАТИВНАЯ ФИЛЬТРАЦИЯ 8
ИСПОЛЬЗОВАНИЕ В РЕКОМЕНДАТЕЛЬНЫХ СИСТЕМАХ МЕТОДОВ КЛАСТЕРИЗАЦИИ 10
ИСПОЛЬЗОВАНИЕ В РЕКОМЕНДАТЕЛЬНЫХ СИСТЕМАХ МЕТОДОВ ТЕМАТИЧЕСКОГО МОДЕЛИРОВАНИЯ 13
1.2. ИЗУЧЕНИЕ СУЩЕСТВУЮЩИХ РЕКОМЕНДАТЕЛЬНЫХ СИСТЕМ 15
РЕКОМЕНДАТЕЛЬНАЯ СИСТЕМА МУЗЫКАЛЬНЫХ ПЛАТФОРМ 15
РЕКОМЕНДАТЕЛЬНЫЕ СИСТЕМЫ НОВОСТЕЙ 16
1.3. ХАРАКТЕРИСТИКИ СИСТЕМЫ ЭЛЕКТИВОВ ТЮМЕНСКОГО ГОСУДАРСТВЕННОГО УНИВЕРСИТЕТА 19
1.4. ВЫБОР МЕТОДОВ ДЛЯ РАЗРАБОТКИ РЕКОМЕНДАТЕЛЬНОЙ ПОДСИСТЕМЫ ЭЛЕКТИВНЫХ ДИСЦИПЛИН 20
ИСПОЛЬЗОВАНИЕ КОЛЛАБОРАТИВНОЙ ФИЛЬТРАЦИИ 21
РЕШЕНИЕ ПРОБЛЕМЫ ХОЛОДНОГО СТАРТА 22
1.5. ФОРМАЛЬНАЯ ПОСТАНОВКА ЗАДАЧИ 24
ГЛАВА 2. ДАННЫЕ 25
2.1. ОПИСАНИЕ «СЫРЫХ» ДАННЫХ 25
ИНФОРМАЦИЯ ОБ ЭЛЕКТИВНЫХ ДИСЦИПЛИНАХ 25
ИНФОРМАЦИЯ О ВЫБРАННЫХ СТУДЕНТАМИ ЭЛЕКТИВНЫХ ДИСЦИПЛИНАХ 28
ОПРОС СТУДЕНТОВ О ПРОЙДЕННЫХ ЭЛЕКТИВНЫХ ДИСЦИПЛИНАХ 28
ТЕСТЫ ПОРТАЛА “РОССИЯ – СТРАНЫ ВОЗМОЖНОСТЕЙ” 29
2.2. ОБРАБОТКА ДАННЫХ 33
ИНФОРМАЦИЯ ОБ ЭЛЕКТИВНЫХ ДИСЦИПЛИНАХ 33
ИНФОРМАЦИЯ О ВЫБРАННЫХ СТУДЕНТАМИ ЭЛЕКТИВНЫХ ДИСЦИПЛИНАХ 36
ОПРОС СТУДЕНТОВ О ПРОЙДЕННЫХ ЭЛЕКТИВНЫХ ДИСЦИПЛИНАХ 37
ГЛАВА 3. РАЗРАБОТКА РЕКОМЕНДАТЕЛЬНОЙ ПОДСИСТЕМЫ ДЛЯ ПОСТРОЕНИЯ ИНДИВИДУАЛЬНЫХ ОБРАЗОВАТЕЛЬНЫХ ТРАЕКТОРИЙ 38
3.1. АРХИТЕКТУРА ПРИЛОЖЕНИЯ 38
3.2. СТРУКТУРА БАЗЫ ДАННЫХ ПРИЛОЖЕНИЯ 40
3.3. СРЕДСТВА РАЗРАБОТКИ 44
3.4. ОПИСАНИЕ МЕТОДОВ 45
3.1. РЕЗУЛЬТАТЫ 50
РЕЗУЛЬТАТЫ КЛАСТЕРИЗАЦИИ 50
РЕЗУЛЬТАТЫ ПОДБОРА КЛЮЧЕВЫХ СЛОВ 52
РЕЗУЛЬТАТЫ ОПРЕДЕЛЕНИЯ ОБЛАСТИ ЗНАНИЙ 53
ОЦЕНКА РАБОТЫ ПРОГРАММЫ 54
ГЛАВА 4. ИНСТРУКЦИЯ ПОЛЬЗОВАТЕЛЯ 56
ЗАКЛЮЧЕНИЕ 62
СПИСОК ЛИТЕРАТУРЫ 64
ПРИЛОЖЕНИЕ 1. ПРОГРАММНЫЙ КОД ГЕНЕРАТОРА РЕКОМЕНДАЦИЙ 67

ВВЕДЕНИЕ
Рекомендательные системы – программы, которые предсказывают людям, какие объекты им могут быть интересны, такими объектами могут выступать фильмы, книги, музыка, профессия и т. д. [10]. Такие системы широко распространены и часто используются в музыкальных платформах, онлайн кинотеатрах, новостных сайтах, интернет-магазинах, так как отдельный человек может получить рекомендацию, связанную именно с его интересами [4].
Рекомендательные системы особенно необходимы там, где человеку предстоит выбор между большим количеством объектов. Вместо того, чтобы самостоятельно просматривать каждый объект из огромного множества, затрачивая большое количество времени, человек может воспользоваться помощью программы, которая на основе интересов и схожести с выборами других людей способна подобрать интересующий его объект.
В 2019 году в Тюменский Государственный Университет была внедрена система элективных дисциплин. Элективы – это дисциплины, не входящие в обязательную часть программы. Они позволяют студенту самостоятельно корректировать свою образовательную траекторию: он может выбрать те элективы, которые интересны именно ему. Элективы охватывают очень разные области знаний, поэтому у каждого студента есть теоретическая возможность подобрать что-то для себя.
Однако за время, прошедшее с момента внедрения индивидуальных образовательных траекторий в Тюменский Государственный Университет, в его перечень опубликованных элективов было добавлено более 800 дисциплин, и каждый семестр студентам предлагается выбрать из огромного множества элективных дисциплин всего несколько, исходя из собственных интересов.
Актуальность выпускной квалификационной работы обусловлена сложностью самостоятельного выбора элективных дисциплин студентами. Время, предоставляемое для выбора элективов ограничено, что, вкупе с величиной набора доступных элективов, создает для студента ситуацию, в которой ему требуется потратить огромное количество времени на изучение всех дисциплин, предоставленных ему для выбора. Многие студенты, не желая просматривать информацию о каждой дисциплине по отдельности, быстро выбирают элективы, которые оказываются им неинтересны.
Данная работа основана на тезисе о том, что каждый электив, который оказался студенту не интересен, уменьшает степень его вовлеченности в учебный процесс. Так как уменьшение вовлеченности в учебный процесс влечет за собой ухудшение посещаемости и успеваемости, можно предположить, что, если студент систематически в течение всего периода обучения, сталкиваясь со сложностями выбора элективов, выбирает те дисциплины, которые ему не интересны, то к концу обучения его успеваемость и шансы успешного окончания обучения существенно упадут [11].
Чтобы избежать потенциальных негативных последствий необдуманного выбора элективных дисциплин, можно использовать подходы рекомендательных систем. Внедрив систему для генерации индивидуальных предложений элективов, интересных студентам, можно было бы добиться лучших результатов обучения и сделать сам процесс обучения более комфортным и насыщенным для студента и, вследствие, преподавателей.
Цель выпускной квалификационной работы заключается в разработке рекомендательной подсистемы для построения индивидуальных траекторий, учитывающую интересы студента.
Задачами выпускной квалификационной работы являются:
1. Получить и изучить необходимые данные.
a. Об элективах: названия, описания, образовательные результаты.
b. О выборах студентами элективных дисциплин и о результатах их прохождения.
c. Отзывы о прохождении элективных дисциплин.

d. Об универсальных компетенциях студентов.
2. Изучить подходы к разработке рекомендательных систем.
a. Коллаборативная фильтрация.
b. Кластеризация.
c. Тематическое моделирование.
3. Предобработать полученные на первом этапе данные для использования в алгоритмах.
4. Протестировать реализованные в библиотеках алгоритмы на подготовленных данных.
5. Разработать рекомендательную подсистему, которая по переданным на ее вход данным вернет список рекомендаций.
6. Изучить архитектуру Цифрового Следа Студента.
7. Интегрировать подсистему в платформу Цифровой След Студента.
Для успешной подготовки и защиты выпускной квалификационной работы использовались средства и методы физической культуры и спорта с целью поддержания должного уровня физической подготовленности, обеспечивающую высокую умственную и физической работоспособность. В режим рабочего дня включались различные формы организации занятий физической культурой (физкультпаузы, физкультминутки, занятия избранным видом спорта) с целью профилактики утомления, появления хронических заболеваний и нормализации деятельности различных систем организма.
В рамках подготовки к защите выпускной квалификационной работы автором созданы и поддерживались безопасные условия жизнедеятельности, учитывающие возможность возникновении чрезвычайных ситуаций.

СПИСОК ЛИТЕРАТУРЫ
1. Методы кластеризации / Воронцов К. В. – КВ Воронцов, 2010.
2. О методах создания рекомендательных систем. / Преображенский Ю. П., Коновалов В. М. – Вестник Воронежского института высоких технологий, 2019.
3. Рекомендательные системы. / Николенко С. – СПб: Изд-во Центр Речевых Технологий, 2012.
4. Рекомендательные системы в здравоохранении. / Цурко В. В. – Управление большими системами: сборник трудов, 2019.
5. Студенческая вовлеченность в учебный процесс: методология исследований и процедура измерения. / Малошонок Н. Г. – Социологические исследования, 2014.
/ B Sarwar, G Karypis, J Konstan, J Riedl. – Minnesota Univ Minneapolis Dept of Computer Science, 2000.
7. A survey on recommendation system. / Das D., Sahoo L., Datta S. –International Journal of Computer Applications. – 2017.
8. Clustering approach for hybrid recommender system. / Li Q., Kim B. M. – Proceedings IEEE/WIC International Conference on Web Intelligence (WI 2003), 2003.
9. Cluster quality analysis using silhouette score. / Shahapure K. R., Nicholas C.– IEEE 7th International Conference on Data Science and Advanced Analytics (DSAA), 2020.
10. Recommender systems: an introduction. / Jannach D. – Cambridge University Press, 2010. ent and performance: A weekly diary study on the role of openness. / Bakker A. B., Sanz Vergel A. I., Kuntze J. – Motivation and Emotion, 2015.
12. Topic modeling for keyword extraction: using natural language processing methods for keyword extraction in portal Min@s / Arnaldo Candido Junior, Celia Magalhaes, Helena Caseli, Regis Zangirolami. – Revista de Estudos da Linguagem. – 2015. – Т. 23. – №. 3. – С. 695-726.
13. Towards explaining latent factors with topic models in collaborative recommender systems. / Rossetti M., Stella F., Zanker M. – 2013 24th International workshop on database and expert systems applications, 2013.
14. spaCy Usage Guide. Документация.