Рекомендательная система на основе статистического обучения для неавторизованных пользователей

Основное содержимое статьи

А. В. Филипьев

Аннотация

Цель данного исследования показать, что использование статистического обучения как основы рекомендательной системы позволяет лучше выстроить персональное взаимодействие с клиентами, чем система, построенная на экспертной логике. Косинусная мера сходства была взята за
основу разработки рекомендательной системы. Так как расчет этой меры имеет высокую вычислительную сложность, в статье был рассмотрен возможный путь решения данной проблемы. Матрица вероятности покупки одного продукта с другим была использована в модели взвешенных
сумм с целью избежать ситуации когда непопулярный продукт может попасть в высокий приоритет рекомендации. В разработанном модуле модель взвешенных сумм является основой объединения матрицы косинусных мер сходства и вероятностей. Одним из самых популярных алгоритмов для построения персональных рекомендаций является алгоритм коллаборативной фильтраций, но он не эффективен когда невозможно идентифицировать пользователя в системе. Разработанный алгоритм, основанный на косинусной мере сходства, вероятностях и модели взвешенных сумм позволил построить рекомендательную систему, работающую на основе выбранных в корзине продуктов. Рекомендательный алгоритм на основе элементов показал преимущества использования подходов статистического обучения в задаче улучшения эффективности коммуникации с клиентами через мобильное приложение и веб-сайт. Интегрированный модуль рекомендаций показал, что развитие культуры, основанной на данных, это правильный путь для современных компаний.

Скачивания

Данные скачивания пока недоступны.

Информация о статье

Как цитировать
1.
Filipyev A. Рекомендательная система на основе статистического обучения для неавторизованных пользователей. Системный анализ в науке и образовании [Интернет]. 16 сентябрь 2021 г. [цитируется по 20 апрель 2024 г.];(1):1-9. доступно на: https://sanse.ru/index.php/sanse/article/view/240
Раздел
Статьи

Библиографические ссылки

David Kiron. Lessons from Becoming a Data-Driven Organization., October 2016, Massachusetts Institute of Technology. − [Электронный ресурс]. URL:

https://learning.oreilly.com/library/view/lessons-from-becoming/53863MIT58215/ (date of request: 2019-02-05).

Андрей Филипьев. AI Conference. Возможности искусственного интеллекта. «Системный администратор». − 2018. − № 12. − С. 10.

Andrew Ng& AI Transformation Playbook: How to lead your company into the AI era. December 2018. − [Электронный ресурс]. URL: https https://landing.ai/ai-transformation-playbook/ (date of request: 2019-02-05).

Charu C. Aggarwal. Recommender Systems: The Textbook. 2016.

Andres Ferraro, Kyumin Choi, Dmitriy Bogdanov, Xavier Serra. Using offline metrics and user behavior analysis to combine multiple systems for music recommendation. Arxiv:1901.02296v1 [cs.IR]. 8 January 2018.

Fabio Aiolli. 2013. Efficient top-n recommendation for very large scale binary rated datasets. In Proceedings of the 7th ACM conference on Recommender systems. ACM, 273-280.

Oscar Celma. 2010. Music Recommendation and Discovery: The Long Tail, Long Fail, and Long Play in the Digital Music Space. Springer.

Badrul Sarwar, George Karypis, Joseph Konstan, John Riedl. 2001. Item-based collaborative filtering recommendation algorithms. In Proceedings of the 10th international conference on World Wide Web. ACM, 285-295.

Malcolm Slaney, William White. 2007. Similarity Based on Rating Data. In 8th International Conference on Music Information Retrieval. ISMIR.

G. Linden, B. Smith, J. York. Amazon.com recommendations: item-to-item collaborative filtering. IEEE Internet Computing, Jan/Feb 2003.

Dheeraj Bokde, Sheetal Girase, Debajyoti Mukhopadhyay. Matrix Factorization Model in Collaborative Filtering Algorithms: A Survey. Procedia Computer Science 49. − 2015. − Pp. 136-146.

Prince Grover. Various Implementations of Collaborative Filtering. [December 2017]. − [Электронный ресурс]. URL: http://towardsdatascience.com/various-implementations-of-collaborative-filtering100385c6dfe0 (date of request: 2019-02-05).

Andrey Filipyev. Improving upsell by clustering customers’ orders: machine learning approach. − 2018. − № 3.

Badrul Sarwar, George Karypis, Joseph Konstan, and John Riedl. Item-based Collaborative Filtering Recommendation Algorithms. 2001, Hong Kong.

Mesran, G. Ginting, Suginam, and R. Rahim. Implementation of Elimination and Choice Expressing Reality (ELECTRE ) Method in Selecting the Best Lecturer ( Case Study STMIK BUDI DARMA ). Int. J. Eng. Res. Technol. − IJERT, 2017. − Vol. 6. − № 2. − Pp. 141-144.

Dikki Handoko, Mesran, Surya Darma Nasution, Yuhandri, Heri Nurdiyanto. Application Of Weight Sum Model (WSM) In Determining Special Allocation Funds Recipients. International Journal of Informatics and Computer Science (The IJICS) ISSN 2548-8384 (online). − 2017. − Vol. 1. − № 2.