Досліджено проблеми аналізу комп’ютерних комплектуючих, щоб полегшити конструювання комп’ютерів, виконати повний аналіз та покращити інформаційно-технічну допомогу користувачам із використанням засобів інформаційних технологій.
У роботі описано процес інформаційно-технічної допомоги користувачам з різними комп’ютерними проблемами. Визначено потребу в розробленні системи аналізу комп’ютерних комплектуючих для полегшення конструювання комп’ютерів, їх повне аналізування, створення аналітики проблеми та способів її вирішення й поліпшення інформаційно-технічної допомоги користувачам із комп’ютерними проблемами. Проаналізовано підходи до застосування методології та рішень щодо аналізу комп’ютерних комплектуючих, а також досліджено методи надання рекомендацій. Для генерування пропонованої користувачу множини комплектуючих найкраще застосовувати методи рекомендацій. Стосовно комп’ютерних комплектуючих доцільніше надавати рекомендації для груп користувачів, аніж для окремих користувачів. Для пошуку груп користувачів використано метод мішаної категоріально-чисельної кластеризації, який враховує числові рейтингові та демографічні характеристики користувачів. Використано гібридний метод пошуку груп користувачів, який ґрунтується на коефіцієнті розрідженості матриці користувач– предмет. Описано алгоритм роботи гібридної рекомендаційної системи, що пропонує комп’ютерні комплектуючі залежно від варіантів сформульованих вимог користувача. Використано механізм зваженого гібриду для надання рекомендацій. За допомогою засобів мови UML спроєктовано концептуальну модель системи.
Рекомендаційна система дає змогу користувачу застосувати аналізатор власного комп’ютера, який виявить застарілі комплектуючі та запропонує якісніші деталі й, головне, які максимально підходять. Якщо ж користувач хоче абсолютно новий комп’ютер, можна скористатись конструктором збірок, який на основі рекомендаційної системи підбирає комплектуючі, які відповідають заданому запиту користувача, або ж уже вибраній частині комп’ютера.
- Melville P., Sindhwani V. (2017). Recommender Systems. In: Sammut C., Webb G.I. (eds) Encyclopedia of Machine Learning and Data Mining. Springer, Boston, MA. DOI: 10.1007/978-1-4899-7687-1_964
- Pavlysh, V. A., Glinenko, L. K. & Shakhovska, N. B. (2018). Fundamentals of information technologies and systems: a textbook. Lviv: Department of Lviv Polytechnic.
- Best benchmarks and their pluses. URL: https://www.techradar.com/best/best-benchmarks-software
- Jalili, M., Ahmadian, S., Izadi, M., Moradi, P., & Salehi, M. (2018). Evaluating collaborative filtering recommender algorithms: a survey. IEEE access, 6, 74003–74024. DOI: 10.1109/ACCESS.2018.2883742.
- Bollen, D., Knijnenburg, B. P., Willemsen, M. C., & Graus, M. (2010, September). Understanding choice overload in recommender systems. In Proceedings of the fourth ACM conference on Recommender systems, 63–70.
- Veres, O., & Levus, Y. I. (2022). Recommendation system for leisure planning in quarantine conditions. Bulletin of the Lviv Polytechnic National University. Series: Information systems and networks. 11, 127–144. DOI: https://doi.org/10.23939/sisn2022.11.127
- Veres, O., Ilchuk, P., Kots, O., & Levus, Y. (2022, November). Information System for Leisure Time- Management in Quarantine Conditions. In 2022 IEEE 17th International Conference on Computer Sciences and Information Technologies (CSIT), 156–159. IEEE. Date Added to IEEE Xplore: 02 January 2023. DOI: 10.1109/CSIT56902.2022.10000478
- Veres, O., Ilchuk, P., & Kots, O. (2021). Intelligent Information System for Remote Customer Service. In MoMLeT+ DS, 283–299. https://ceur-ws.org/Vol-3312/paper22.pdf
- Bulut, O., Cormier, D. C., & Shin, J. (2020). An intelligent recommender system for personalized test administration scheduling with computerized formative assessments. Front. Educ. 5:572612. DOI: 10.3389/feduc.2020.572612
- Falk, K. (2019). Practical recommender systems. Simon and Schuster.
- Beheshti, A., Yakhchi, S., Mousaeirad, S., Ghafari, S. M., Goluguri, S. R., & Edrisi, M. A. (2020). Towards cognitive recommender systems. Algorithms, 13(8), 176. https://doi.org/10.3390/a13080176.
- Atas, M., Felfernig, A., Polat-Erdeniz, S., Popescu, A., Tran, T. N. T., & Uta, M. (2021). Towards psychology-aware preference construction in recommender systems: Overview and research issues. Journal of Intelligent Information Systems, 57, 467–489. https://doi.org/10.1007/s10844-021-00674-5.
- Abbasi-Moud, Z., Vahdat-Nejad, H., & Sadri, J. (2021). Tourism recommendation system based on semantic clustering and sentiment analysis. Expert Systems with Applications, 167, 114324. https://doi.org/10.1016/j.eswa.2020.114324.
- Amato, F., Moscato, V., Picariello, A., & Piccialli, F. (2019). SOS: a multimedia recommender system for online social networks. Future generation computer systems, 93, 914-923. https://doi.org/10.1016/j.future.2017.04.028.
- Loeb, S., & Terry, D. (1992). Information filtering. Communications of the ACM, 35(12), 26–28. http://doi.org/10.1145/138859.138860.
- Cantador, I., Fernández, M., Vallet, D., Castells, P., Picault, J., & Ribiere, M. (2008). A multi-purpose ontology-based approach for personalised content filtering and retrieval. Advances in Semantic Media Adaptation and Personalization, 25–51. ISBN 978-3-540-76359-8.
- Jalili, M., Ahmadian, S., Izadi, M., Moradi, P., & Salehi, M. (2018). Evaluating collaborative filtering recommender algorithms: a survey. IEEE access, 6, 74003–74024. DOI: 10.1109/ACCESS.2018.2883742.
- Geetha, G., Safa, M., Fancy, C., & Saranya, D. (2018, April). A hybrid approach using collaborative filtering and content based filtering for recommender system. Journal of Physics: Conf. Series 1000 (2018), 012101. DOI :10.1088/1742-6596/1000/1/012101
- Salter, J., & Antonopoulos, N. (2006). CinemaScreen recommender agent: combining collaborative and content-based filtering. IEEE Intelligent Systems, 21(1), 35–41. http://doi.org/10.1109/MIS.2006.4
- Li, B., Li, G., Xu, J., Li, X., Liu, X., Wang, M., & Lv, J. (2023). A personalized recommendation framework based on MOOC system integrating deep learning and big data. Computers and Electrical Engineering, 106, 108571. https://doi.org/10.1016/j.compeleceng.2022.108571.
- Lathabai, H. H., Nandy, A., & Singh, V. K. (2022). Institutional collaboration recommendation: An expertise-based framework using NLP and network analysis. Expert Systems with Applications, 209, 118317. https://doi.org/10.1016/j.eswa.2022.118317.
- Shivaram, K., Liu, P., Shapiro, M., Bilgic, M., & Culotta, A. (2022, September). Reducing Cross-Topic Political Homogenization in Content-Based News Recommendation. In Proceedings of the 16th ACM Conference on Recommender Systems, 220–228. https://doi.org/10.1145/3523227.3546782.
- Goldberg, D., Nichols, D., Oki, B. M., & Terry, D. (1992). Using collaborative filtering to weave an information tapestry. Communications of the ACM, 35(12), 61–70. http://doi.org/10.1145/138859.138867.
- Resnick, P., Iacovou, N., Suchak, M., Bergstrom, P., & Riedl, J. (1994, October). Grouplens: An open architecture for collaborative filtering of netnews. In Proceedings of the 1994 ACM conference on Computer supported cooperative work, 175–186. https://doi.org/10.1145/192844.192905
- Park, S. H., & Han, S. P. (2012, August). Empirical analysis of the impact of product diversity on long- term performance of recommender systems. In Proceedings of the 14th Annual International Conference on Electronic Commerce, 280–281. https://doi.org/10.1145/2346536.2346592
- Nilashi, M., Ibrahim, O., & Bagherifard, K. (2018). A recommender system based on collaborative filtering using ontology and dimensionality reduction techniques. Expert Systems with Applications, 92, 507–520. http://doi.org/10.1016/j.eswa.2017.09.058
- Abdelwahab, A., Sekiya, H., Matsuba, I., Horiuchi, Y., & Kuroiwa, S. (2012). Alleviating the sparsity problem of collaborative filtering using an efficient iterative clustered prediction technique. International Journal of Information Technology & Decision Making, 11(01), 33–53. https://doi.org/10.1142/S0219622012500022
- Martins, G. B., Papa, J. P., & Adeli, H. (2020). Deep learning techniques for recommender systems based on collaborative filtering. Expert Systems, 37(6), e12647. https://doi.org/10.1111/exsy.12647
- Alabdulrahman, R., & Viktor, H. (2021). Catering for unique tastes: Targeting grey-sheep users recommender systems through one-class machine learning. Expert Systems with Applications, 166, 114061. https://doi.org/10.1016/j.eswa.2020.114061.
- Ansari, A., Essegaier, S., & Kohli, R. (2000). Internet recommendation systems. http://doi.org/10.1509/jmkr.37.3.363.18779
- Basilico, J., & Hofmann, T. (2004, July). Unifying collaborative and content-based filtering. In Proceedings of the twenty-first international conference on Machine learning (p. 9). https://doi.org/10.1145/1015330.1015394
- Çano, E., & Morisio, M. (2017). Hybrid recommender systems: A systematic literature review. Intelligent Data Analysis, 21(6), 1487–1524. DOI: 10.3233/IDA-163209.
- CPU-Z System information software. URL: https://www.cpuid.com/softwares/cpu-z.html
- GPU-Z Main settings and features. URL: https://www.techpowerup.com/gpuz/
- AIDA64 Extreme settings. URL: https://www.aida64.com/products/aida64-extreme
- Speccy main projects and opportunities. URL: https://www.ccleaner.com/speccy
- Bobadilla, J., Ortega, F., Hernando, A., & Gutiérrez, A. (2013). Recommender systems survey. Knowledge- based systems, 46, 109–132. https://doi.org/10.1016/j.knosys.2013.03.012
- Adomavicius, G., & Tuzhilin, A. (2005). 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, 17(6), 734–749. DOI: 10.1109/TKDE.2005.99
- Lobur, M. V., Schwartz, M. E., & Stech, Y. V. (2018). Models and methods of forecasting recommendations for collaborative recommender systems. Bulletin of the Lviv Polytechnic National University. Series: Information systems and networks, (901), 68–75. URL: https://science.lpnu.ua/sites/default/files/journal- paper/2019/feb/15581/181912maket-68-75.pdf
- Masthoff, J. (2004). Group modeling: Selecting a sequence of television items to suit a group of viewers. Personalized Digital Television: Targeting Programs to individual Viewers, 93–141. https://doi.org/10.1007/1-4020-2164-X_5
- Guha, S., Rastogi, R., & Shim, K. (2000). ROCK: A robust clustering algorithm for categorical attributes. Information systems, 25(5), 345–366. https://doi.org/10.1016/S0306-4379(00)00022-3.
- Burke, R. (2007). Hybrid web recommender systems. The adaptive web, 377–408. URL: https://link.springer.com/chapter/10.1007/978-3-540-72079-9_12
- Ko, H., Lee, S., Park, Y., & Choi, A. (2022). A Survey of Recommendation Systems: Recommendation Models, Techniques, and Application Fields. Electronics, 11(1), 141. DOI: 10.3390/electronics11010141
- Javed, U., Shaukat, K., Hameed, I. A., Iqbal, F., Alam, T. M., & Luo, S. (2021). A review of content- based and context-based recommendation systems. International Journal of Emerging Technologies in Learning (iJET), 16(3), 274–306. URL: https://www.learntechlib.org/p/219036/
- Beheshti, A., Yakhchi, S., Mousaeirad, S., Ghafari, S. M., Goluguri, S. R., & Edrisi, M. A. (2020). Towards cognitive recommender systems. Algorithms, 13(8), 176. DOI: 10.3390/a13080176
- Lin, W., Li, Y., Feng, S., & Wang, Y. (2014, June). The optimization of weights in weighted hybrid recommendation algorithm. In 2014 IEEE/ACIS 13th International Conference on Computer and Information Science (ICIS), 415–418. DOI: 10.1109/ICIS.2014.6912169
- Lin, W., Li, Y., Feng, S., & Wang, Y. (2014, June). The optimization of weights in weighted hybrid recommendation algorithm. In 2014 IEEE/ACIS 13th International Conference on Computer and Information Science (ICIS), 415–418. DOI: 10.1109/ICIS.2014.6912169
- Johnson, J. (2007). GUI bloopers 2.0: common user interface design don'ts and dos. Elsevier.
- Parush, A. (2015). Conceptual design for interactive systems: designing for performance and user experience. Morgan Kaufmann.
- de Schipper, E., Feskens, R., & Keuning, J. (2021, March). Personalized and Automated Feedback in Summative Assessment Using Recommender Systems. Frontiers in Education, 6. DOI: 10.3389/feduc.2021.652070
- Veres, O., Kunanets, N., Pasichnyk, V., Veretennikova, N., Korz, R., & Leheza, A. (2019, September). Development and Operations-the Modern Paradigm of the Work of IT Project Teams. In 2019 IEEE 14th International Conference on Computer Sciences and Information Technologies (CSIT), 3, 103–106. IEEE. DOI: 10.1109/STC- CSIT.2019.8929861
- OMG® Unified Modeling Language® (OMG UML®). URL: https://www.omg.org/spec/ UML/2.5.1/PDF