АЛГОРИТМІЧНЕ ЗАБЕЗПЕЧЕННЯ РЕКOМЕНДAЦІЙНОЇ СИСТЕМИ ВЕБСЕРВІСУ ДЛЯ ВИВЧЕННЯ ІНОЗЕМНИХ МОВ

Автор(и)

  • Лілія Боднар Південноукраїнський національний педагогічний університет імені К. Д. Ушинського, Ukraine https://orcid.org/0000-0003-0893-496X
  • Катерина Шулакова Державний університет інтелектуальних технологій і зв’язку, Ukraine https://orcid.org/0000-0002-0035-6184
  • Людмила Гризун Харківський національний економічний університет імені С. Кузнеця, Ukraine https://orcid.org/0000-0002-5274-5624

DOI:

https://doi.org/10.20998/2079-0023.2021.02.16

Ключові слова:

алгоритм, рекомендаційна система, гібридна фільтрація, БД, вебсервіс, Python, фільтрація за змістом, кoлaбoрaтивнa фільтрація

Анотація

Дана робота присвячена аналізу aлгoритмічнoгo забезпечення рекомендаційних систем мультимедійного контенту та розробці вебсервісу
для підвищення ефективності вивчення іноземних мов за допомогою рекомендаційної системи, яка персоналізовано підбирає навчальний
контент для користувача. Для формування переліку необхідного мультимедійного контенту були обрані основні критерії рекомендаційної
системи, виявлені основні потреби користувачів, які повинна вирішувати система, оскільки підвищення ефективності вивчення іноземної
мови досягається не тільки шляхом вибору методів навчання, але й переглядом мультимедійного контенту, а саме новин, фільмів,
навчальних роликів, кліпів та ін. З боку методу реалізації aлгoритмічнoгo забезпечення були розглянути різні види фільтрації даних від
сучасних технічних методів до бібліотек для забезпечення функціональності системи та обрано алгоритм на основі гібридної фільтрації, при
якому використовуються відомі оцінки користувачів для прогнозування уподобань іншого користувача. Розроблені функціональні вимоги та
запропоновано вебсервіс, який уможливлює комплексний вплив на навчання користувача при вивченні іноземної мови, програмна
реалізація якого виконана за допомогою мов Java Script, Python та додаткових бібліотек. Ця реалізація дозволяє побудувати процес
відстеження змін стосовно вимог користувача та передавати інформацію в базу даних (БД) і після аналізу вхідних даних змінювати
запропонований мультимедійний контент користувачу. Під час подальших досліджень заплановано проведення практичних експериментів з
урахуванням специфіки тих чи інших методів навчання іноземних мов і застосування статистичних даних для оцінки ефективності роботи
алгоритму запропонованої рекомендаційної системи.

Біографії авторів

Лілія Боднар, Південноукраїнський національний педагогічний університет імені К. Д. Ушинського

кандидат педагогічних наук, доцент, Південноукраїнський національний педагогічний університет імені К. Д. Ушинського, доцент кафедри інноваційних технологій та методики навчання природничих дисциплін; м. Одеса, Україна

Катерина Шулакова, Державний університет інтелектуальних технологій і зв’язку

Державний університет інтелектуальних технологій і зв’язку, старший викладач кафедри комп'ютерної інженерії та інформаційних систем; м. Одеса, Україна

Людмила Гризун, Харківський національний економічний університет імені С. Кузнеця

доктор педагогічних наук, професор, Харківський національний економічний університет імені С. Кузнеця, професор кафедри інформаційних систем; м. Харків, Україна

Посилання

Falk K. Recommender systems in practice. Manning Publications, 2017. 49 p. URI: https://dmkpress.com/files/PDF/978-5-97060-774- 9-1.pdf (accessed 13.01.2020).

UNESCO statistics. Available at: https://www.ukrinform.ua/rubricworld/3194622-u-sviti-vidznacaut-den-ridnoi-movi.html (accessed 30.03.2018).

Uzunboylu H. The Effectiveness of Web Assisted English Language Instruction on the Achievement and Attitude of Students. ERIC Abstract, 2005.

Tanyeli N. The Efficiency of Online English Language Instruction on Students' Reading Skills. International Technology, Education and Development Conference (INTED), Valencia, Spain, Mar 3-5, 2008. Available at: https: //files.eric.ed.gov/fulltext/ED504676.pdf (accessed 06.05.2021).

Adomavicius G., Tuzhilin A. Toward the next generation of recommender systems: A survey of the state-of-the-art and possible extensions. IEEE transactions on knowledge and data engineering, 2005, 17 (6), pp.734–749.

Candillier L., Jack K., Fessant, F., Meyer F. State-of-the-art recommender systems. Collaborative and Social Information Retrieval and Access Techniques for Improved User Modeling, 2009.

Pazzani M. J., Billsus D. Content-based recommendation systems. The adaptive web. Springer, Berlin, Heidelberg, 2007, pp. 325-341.

Ricci F., Rokach L., Shapira B. Introduction to recommender systems handbook. Recommender systems handbook. Springer US, 2011, pp. 1–35.

YouTube documentation. Available at: https://neurohive.io/ ru/novosti/iz-chego-sostoit-rekomendatelnaya-sistema-youtube (accessed 24.04.2019).

Netflix documentation. Available at: https://uxplanet.org/netflixbinging-on-the-algorithm-a3a74a6c1f59 (accessed 30.04.2020).

Megogo documentation. Available at: https://www.contentarmor.net/megogo-selects-contentarmor-toprotect-its-pvod-service/ (accessed 12.04.2021).

Ivi documentation. Available at: https://discourse.world/h/ 2019/12/10/As-we-recommend-the-latest-catalogs-in-the-ivi-onlinecinema(Python-code) (accessed 10.12.2019).

Thai-Nghe N., Drumond L., Krohn-Grimberghe A., SchmidtThieme L. Recommender system for predicting student performance. Procedia Computer Science. 2010, 1 (2), pp.2811– 2819.

Moonen M., De Moor B. SVD and Signal Processing, III: Algorithms, Architectures and Applications. Elsevier Science, 2011. 504 p.

Bass L., Clements P., Kazman R. Software Architecture in Practice. 2-nd edition, Addison-Wesley, 2003.

Jones E., Oliphant Tr., Peterson P. et al. SciPy: Open source scientific tools for Python, 2001. Available at: http://www.scipy.org/ (accessed 06.12.2015).

Zheng Y., Mobasher B. CARSKit: A Java-Based Context-aware Recommendation Engine. Proceedings of the 15th IEEE International Conference on Data Mining. NJ, USA, 2015.

NodeJS. Available at: https://metanit.com/web/nodejs/1.1.php (accessed 02/10/2019).

Fastify framework. Available at: https://www.fastify.io (accessed 06.11.2020).

MongoDB documentation. Available at: https://docs.mongodb.com/ manual (accessed 26.08.2021).

Mongoose Docs. Available at: https://docs.npmjs.com/ (accessed 09.09.2021) (accessed 06.12.2019).

Redis documentation. Available at: https://redis.io/documentation (accessed 17.11.2020).

##submission.downloads##

Опубліковано

2021-12-28

Як цитувати

Боднар, Л., Шулакова, К., & Гризун, Л. (2021). АЛГОРИТМІЧНЕ ЗАБЕЗПЕЧЕННЯ РЕКOМЕНДAЦІЙНОЇ СИСТЕМИ ВЕБСЕРВІСУ ДЛЯ ВИВЧЕННЯ ІНОЗЕМНИХ МОВ. Вісник Національного технічного університету «ХПІ». Серія: Системний аналiз, управління та iнформацiйнi технологiї, (2 (6), 100–106. https://doi.org/10.20998/2079-0023.2021.02.16

Номер

№ 2 (6) (2021)

Розділ

ІНФОРМАЦІЙНІ ТЕХНОЛОГІЇ

Ліцензія

Ліцензія

Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:

  • Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
  • Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
  • Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).