Study Material Recommender

Система рекомендации учебных материалов студентам на основе их предпочтений, уровня знаний и истории обучения. Проект демонстрирует гибридный подход (collaborative filtering + content-based) и автоматизацию через GitVerse Actions.

Автор: Кравченко Владислава

Возможности

• Гибридные рекомендации с настраиваемым весом
  alpha
  .
• Обработка cold-start пользователей (fallback на популярные материалы).
• Оценка качества (RMSE) и пример отчета в CI.
• Минимальный датасет
  data/sample.csv
  для быстрого запуска.

Требования

• Python 3.8+
• Установленный
  pip
• Зависимости из
  requirements.txt
  (numpy, pandas, scikit-learn, pytest и др.).

Установка

Предварительно установите Python 3.8+ и pip.

Быстрый старт

Генерация отчета локально

Примеры результатов

• В файле
  artifacts/report.md
  после генерации отчета будут, например:
  • размер датасета, количество пользователей и материалов;
  • значение RMSE на тестовой выборке;
  • список рекомендованных материалов для одного из пользователей с их оценками-рейтингами.

Тесты и качество кода

Структура проекта

src/                # Основной код (гибридный алгоритм)
tests/              # Unit-тесты (pytest)
data/               # Пример датасета
scripts/            # Служебные скрипты (генерация отчета)
docs/               # Доп. документация (архитектура)
.gitverse/workflows # CI/CD (lint/test + отчеты по расписанию)

CI/CD

• .gitverse/workflows/tests.yml
  — линт, формат, тесты на Python 3.8-3.10.
• .gitverse/workflows/report.yml
  — cron и ручной
  workflow_dispatch
  для генерации отчета с метриками, артефакт
  artifacts/report.md
  .

Ключевые файлы

• src/main.py
  — класс
  StudyMaterialRecommender
  , предсказания, RMSE.
• src/utils.py
  — загрузка данных, разбиение, утилиты.
• scripts/generate_report.py
  — формирует markdown-отчет.
• docs/architecture.md
  — краткое описание подхода.

Идеи для расширения

• Добавить хранение моделей и метрик в объектное хранилище.
• Поддержать матрицу признаков по авторам/длительности материалов.
• Реализовать REST API (FastAPI) для онлайн-рекомендаций.