| dc.contributor.author | Колесницький, О. К. | uk |
| dc.contributor.author | Хоцько, Б. В. | uk |
| dc.date.accessioned | 2025-09-12T10:09:57Z | |
| dc.date.available | 2025-09-12T10:09:57Z | |
| dc.date.issued | 2025 | |
| dc.identifier.citation | | uk |
| dc.identifier.uri | https://ir.lib.vntu.edu.ua//handle/123456789/49310 | |
| dc.description.abstract | У цій роботі представлено підхід до розробки нейромережевого модуля, який аналізує дані про користувацькі переваги та генерує персоналізовані списки відтворення. Розвиток технологій штучного інтелекту дозволяє створювати персоналізовані сервіси для користувачів. Однією з найбільш затребуваних сфер є музичні рекомендації, що допомагають слухачам відкривати нові композиції на основі їхніх вподобань. | uk |
| dc.description.abstract | This paper presents an approach to the development of a neural network module that analyzes data on user preferences and generates personalized playlists. The development of artificial intelligence technologies allows creating personalized services for users. One of the most popular areas is music recommendations that help listeners discover new songs based on their preferences. | en |
| dc.language.iso | uk_UA | uk_UA |
| dc.publisher | ВНТУ | uk |
| dc.relation.ispartof | // Матеріали LIV науково-технічної конференції підрозділів ВНТУ, Вінниця, 24-27 березня 2025 р. | uk |
| dc.relation.uri | https://conferences.vntu.edu.ua/index.php/all-fksa/all-fksa-2025/paper/view/23738 | |
| dc.subject | нейромережа | uk |
| dc.subject | машинне навчання | uk |
| dc.subject | рекомендаційні системи | uk |
| dc.subject | музичні вподобання | uk |
| dc.subject | аналіз даних | uk |
| dc.subject | neural network | uk |
| dc.subject | machine learning | uk |
| dc.subject | recommender systems | uk |
| dc.subject | music preferences | uk |
| dc.subject | data analysis | uk |
| dc.title | Нейромережевий модуль для рекомендації музичних треків на основі уподобань користувача | uk |
| dc.type | Thesis | |
| dc.identifier.udc | 004.4 | |
| dc.relation.references | Ricci, F., Rokach, L., & Shapira, B. (2022). Recommender Systems Handbook. URL: https://pzs.dstu.dp.ua/DataMining/recom/bibl/recommendersystemshandbook.pdf ( : 16.03.2025). | |
| dc.relation.references | Zhang, S., Yao, L., Sun, A., & Tay, Y. (2019). Deep Learning-Based Recommender System: A Survey and New Perspectives. ACM Computing Surveys (CSUR), 52(1), 1-38. URL:https://dl.acm.org/doi/10.1145/3285029 ( : 16.03.2025). | |
| dc.relation.references | Spotify Research Blog. . URL: https://research.atspotify.com/ ( : 16.03.2025). | |
| dc.relation.references | Schedl, M., Knees, P., McFee, B., Losantos, N. G., & Urbano, J. (2018). Music information retrieval: Recent advances and applications. Foundations and Trends in Information Retrieval, 12(2-3), 127-316. ( : 16.03.2025). | |
| dc.relation.references | Aggarwal, C. C. (2016). Recommender Systems. URL: https://pzs.dstu.dp.ua/DataMining/recom/bibl/1aggarwal_c_c_recommender_systems_the_textbook.pdf ( : 16.03.2025). | |
