Hybrid approach for data filtering and machine learning inside content management system

Abstract

The object of research is the processes of data filtering and machine learning in content management systems. The subject of research is developing a hybrid approach to data filtering based on a combination of supervised and unsupervised machine learning. The article explores machine learning approaches to content management and how they can change the way we organize, categorize, and derive value from vast amounts of data. The main goal is to develop and use a hybrid approach for data filtering and training that will help optimize resource consumption and perform supervised training for better categorization in the future. This approach includes elements of supervised and unsupervised learning using the BERT architecture that uses this kind of flow that help reduce resource usage and adjust the algorithm to perform better in a specific area. As a result, thanks to this approach, the intelligent system was able to independently optimize for a specific field of use and help to reduce the costs of using resources. Conclusion. After applying a hybrid approach of data filtering and machine learning to existing data streams, we obtain a performance increase of up to 5%, and this percentage increases depending on the running time of the application.

Об'єктом дослідження є процеси фільтрації даних та машинного навчання в системах управління контентом. Предметом дослідження є розробка гібридного підходу до фільтрації даних на основі поєднання контрольованого та неконтрольованого машинного навчання. У статті досліджуються підходи машинного навчання до керування вмістом і те, як вони можуть змінити спосіб організації, категоризації та отримання цінності від величезних обсягів даних. Основною метою є розробка та використання гібридного підходу для фільтрації даних і навчання, який допоможе оптимізувати споживання ресурсів і проводити навчання під наглядом для кращої категоризації в майбутньому. Цей підхід включає елементи контрольованого та неконтрольованого навчання з використанням архітектури BERT, яка використовує цей вид потоку, що допомагає зменшити використання ресурсів і налаштувати алгоритм для кращої роботи в певній області. В результаті завдяки такому підходу інтелектуальна система змогла самостійно оптимізуватись під конкретну сферу використання та допомогти знизити витрати на використання ресурсів. Висновок: після застосування гібридного підходу фільтрації даних і машинного навчання до існуючих потоків даних ми отримуємо збільшення продуктивності до 5%, і цей відсоток збільшується залежно від часу роботи програми.