Удосконалення методу колаборативної фільтрації із урахуванням характеристик споживача для персоналізації рекомендацій в системі е-комерції
Анотація
Мета статті. Метою статті є удосконалення методу колаборативної фільтрації з неявним зворотним зв’язком шляхом комбінування характеристик споживача та його поведінки для підвищення ефективності побудови рекомендацій у випадках відсутності або недостатньої кількості інформації про вподобання споживача.
Методи дослідження. Методи колаборативної фільтрації з неявним зворотним зв'язком рекомендаційних системах.
Основні результати дослідження. Розглянуто проблему удосконалення методу колаборативної фільтрації з неявній зворотним зв'язком для персоналізації продажів в рекомендаційної підсистемі в системі електронної комерції з урахуванням характеристик споживача і особливостей його поведінки при виборі товарів та послуг. Представлено важливість використання додаткових контекстних фільтрів для підвищення якості отриманих рекомендацій. Показано, що існуючі гібридні методи колаборативної фільтрації враховують окремо характеристики споживача або характеристики предметної області. У той же час в ситуаціях «холодного старту» для персоналізації продажів існує практична потреба в побудові рекомендацій з урахуванням змін інтересів користувачів різних демографічних груп. Удосконалено гібридний метод колаборативної фільтрації. Основна ідея вдосконаленого методу полягає в доповненні алгоритму колаборативної фільтрації з неявним зворотним зв'язком з урахуванням атрибутів користувача, а також динаміки зміни його інтересів. В якості вхідних даних метод використовує інформацію про покупки із зазначенням їх дати та без рейтингів користувачів, а також додаткову інформацію про користувача. Ця інформація може бути отримана із других підсистем системи електронної комерції. Результатом роботи методу є уточнений список рекомендованих покупок для користувача. Цей список відповідає віковій групі користувача і контекстно-залежною послідовності зміни його інтересів.
Наукова новизна. Удосконалено метод колаборативної фільтрації з неявним зворотнім зв’язком шляхом врахування додаткових ознак користувачів, а також зміни інтересу споживачів у часі.
Практична значимість. В практичному плані запропонований метод дозволяє збільшити релевантність рекомендацій при персоналізації продажів для користувача в рекомендаційній підсистемі в системі електронної комерції. Експериментальна перевірка показала підвищення ефективності отриманих рекомендацій згідно з критерієм AUC. Вдосконалений метод може використовуватися також при просуванні рекламних пропозицій в соціальних мережах.Ключові слова
Повний текст:
PDF (English)Посилання
Aggarwal C. C. Recommender Systems: The Textbook. New York: Springer, 2017. 498 p.
Herlocker J. L., Konstan J. A., Terveen L. G., Riedl J. T. Evaluating collaborative filtering recommender systems. ACM Transactions on Information Systems (TOIS). 2004. Vol. 22, №.1. P. 5–53.
Lü L., Medo M., Yeung C. H., Zhang, Y.C., Zhang, Z. K., Zhou, T. Recommender systems. Physics Reports. 2012. Vol. 519, No. 1. P. 1–49.
Lees-Miller J., Anderson F., Hoehn B., Greiner R. Does Wikipedia Information Help Netflix Predictions? Seventh International Conference on Machine Learning and Applications (ICMLA), IEEE Computer Society. 2008. P. 337–343. ISBN 978-0-7695-3495-4.
Bennet J. Lanning S. The Netflix Prize [Proceedings of KDD cup and workshop]. Available at: http://www.netflixprize.com. (accessed March 22, 2018).
Gohari F. S., Tarokh M. J. Classification and Comparison of the Hybrid Collaborative Filtering Systems. International Journal of Research in Industrial Engineering. 2017. Vol. 6, № 2. P. 129–148.
Чалий С.Ф., Лещинський В.О., Лещинська І.О. Моделювання контексту в рекомендаційних системах. Проблеми інформаційних технологій. 2018. №.1(023). C. 21-26.
Adomavicius G., Tuzhilin A. Towards 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. P. 634–749.
Candillier L., Meyer F., Boullé M. Comparing state-of-the-art collaborative filtering systems. In Machine Learning and Data Mining in Pattern Recognition. 2007. Springer, P. 548–562.
Чалий С.Ф., Лещинський В.О., Лещинська І.О. Інтеграція локальних контекстів споживачів в рекомендаційних системах на основі відношень еквівалентності, схож ості та сумісності. Матеріали VII міжн. наук. конф. «Інформаційні управляючі системи та технології». Oдеса. 2018. C.142-144.
Shaw G., Xu Y. Using Association Rules to Solvethe Cold-Start Problem in Recommender Systems. [QUT Digital Repository]. Available at: URI: http://eprints.qut.edu.au/40176. (accessed 24.05.2018).
Sobhanam H., Mariappan A.K. Addressing cold start problem in recommender systems using association rules and clustering technique. International Conference on Computer Communication and Informatics (ICCCI- 2013). 2013. P. 402-411.
Чала О. В. Побудова темпоральних правил для представлення знань в інформаційно-управляючих системах. Сучасні інформаційні системи. 2018. Том 2, № 3. С. 54-59.
Chala O. Models of temporal dependencies for a probabilistic knowledge base. Econtechmod. 2018, Vol. 07, No. 3, 53–58.
Levykin V., Chala O. Development of a method of probabilistic inference of sequences of business process activities to support business process management. Eastern-European Journal of Eenterprise Technologies. 2018. 5/3(95). С. 16-24. DOI: 10.15587/1729-4061.2018.142664
DOI: https://doi.org/10.35546/піт.v0i24.260
Посилання
- Поки немає зовнішніх посилань.