| DC Field | Value | Language |
|---|
| dc.contributor.author | Нестеренков, С. Н. | - |
| dc.contributor.author | Асепков, Д. И. | - |
| dc.coverage.spatial | Минск | en_US |
| dc.date.accessioned | 2026-07-09T06:21:38Z | - |
| dc.date.available | 2026-07-09T06:21:38Z | - |
| dc.date.issued | 2026 | - |
| dc.identifier.citation | Нестеренков, С. Н. Применение алгоритмов машинного обучения для персонализации товарных рекомендаций в мобильных торговых системах / С. Н. Нестеренков, Д. И. Асепков // Информационные радиосистемы и радиотехнологии : сборник материалов научно-технической конференции, Минск, 9–10 июня 2026 г. / Белорусский государственный университет информатики и радиоэлектроники ; редкол.: В. А. Богуш [и др.]. – Минск, 2026. – С. 212–213. | en_US |
| dc.identifier.uri | https://libeldoc.bsuir.by/handle/123456789/64511 | - |
| dc.description.abstract | В работе представлен анализ алгоритмов машинного обучения, применяемых для построения систем персонализированных рекомендаций в мобильных торговых платформах. Рассматриваются эволюция от классических методов фильтрации к современным глубоким нейросетевым архитектурам, а также гибридные подходы, сочетающие преимущества различных парадигм. Оцениваются точность предсказаний, вычислительная сложность, адаптивность к динамике пользовательского поведения и особенности развертывания моделей в условиях ограниченных ресурсов мобильных устройств и нестабильных каналов связи. | en_US |
| dc.language.iso | ru | en_US |
| dc.publisher | БГУИР | en_US |
| dc.subject | материалы конференций | en_US |
| dc.subject | алгоритмы машинного обучения | en_US |
| dc.subject | системы персонализированных рекомендаций | en_US |
| dc.subject | мобильные торговые платформы | en_US |
| dc.title | Применение алгоритмов машинного обучения для персонализации товарных рекомендаций в мобильных торговых системах | en_US |
| dc.type | Article | en_US |
| local.description.annotation | This paper presents an analysis of machine learning algorithms used to build personalized recommendation systems in mobile trading platforms. It examines the evolution from classical filtering methods to modern deep neural network architectures, as well as hybrid approaches that combine the advantages of different paradigms. The paper evaluates prediction accuracy, computational complexity, adaptability to user behavior dynamics, and the specifics of deploying models under resource-constrained mobile devices and unstable communication channels. | en_US |
| Appears in Collections: | Информационные радиосистемы и радиотехнологии (2026)
|
