Применение рекомендательных систем в рамках машинного обучения как инструмент предиктивной аналитики предпочтений пользователей

Введение 3
Глава 1. Сущность понятия, основные способы оценки рекомендательных систем и актуальные проблемы анализа предпочтений пользователей 6
1.1. Эволюция рекомендательных систем 6
1.2. Анализ предпочтений пользователей и проблемы в их прогнозировании 10
1.3. Методы оценки рекомендационных систем 26
1.4. Внедрение и применение рекомендательных систем в бизнесе 35
Глава 2. Сравнение эффективности применения основных классов рекомендательных систем в анализе предпочтений пользователей. 39
2.1. Cистемы на основе фильтрации содержимого (Content-based) 39
2.2. Системы коллаборативной фильтрации (Collaborative Filtering) 39
2.3. Коллаборативная фильтрация на реальных данных 47
Глава 3. Выбор наиболее эффективного алгоритма рекомендаций для дальнейшего исследования на основе проведенного анализа 62
Заключение 64
Список литературы 67

Весь текст будет доступен после покупки

В современных условиях информационной общедоступности, когда выбор товаров и услуг постоянно расширяется, а пользователи все чаще сталкиваются с избытком однородной продукции и, соответственно, проблемой выбора оптимального товара или услуги в наиболее емкий промежуток времени, рекомендательные системы призваны снизить издержки (в том числе и альтернативные издержки – издержки пользователя, которые появляются в случае выбора определенного товара, а не альтернативного), сократить время выбора и предоставить пользователям релевантную информацию и персонализированные предложения.
Системы рекомендаций повсеместно распространены в нашей жизни, влияя на выбор онлайн-сервисов, развлекательных платформ, социальных сетей и многих других решений в цифровой сфере. Оптимизация с помощью предиктивного анализа является решающим фактором для повышения вовлеченности пользователей в экономическую активность корпораций. Предпочтения пользователей динамичны и сложны, на их эволюцию влияют множество факторов, включая тенденции и индивидуальный опыт потребителей. Такие передовые инструменты, как машинное обучение, необходимы для точного прогнозирования потребительских запросов.
Актуальность темы применения рекомендательных систем сохраняется и будет только возрастать в ближайшие годы, так как эффективность систем рекомендаций напрямую влияет на бизнес-результаты, кроме того, их влияние на поведение пользователей может иметь более широкие социальные последствия, формируя культурные тенденции и информационной трансформации.

Весь текст будет доступен после покупки

Глава 1. Сущность понятия, основные способы оценки рекомендательных систем и актуальные проблемы анализа предпочтений пользователей
1.1. Эволюция рекомендательных систем
Рекомендательные системы – это программные системы, которые предлагают пользователям контент, товары или услуги, которые, по их мнению, могут им понравиться. Рекомендательные системы основаны на алгоритмах машинного обучения, которые анализируют данные о пользователях, чтобы предсказать их предпочтения.
Классификация типов рекомендательных систем:
1. Content-based recommendation systems, или системы на основе фильтрации содержимого;
2. Collaborative filtering recommendation systems, или системы на основе коллаборативной фильтрации:
• User-based - системы коллаборативной фильтрации, основанных на соседстве пользователей;
• Item-based - системы коллаборативной фильтрации, основанных на объекте предпочтения;
1. Model-based systems collaborative filtering, или системы коллаборативной фильтрации, основанных на модели.

Рекомендательные системы прочно вошли в нашу жизнь, став неотъемлемой частью многих онлайн-платформ, таких как Netflix, Spotify, Apple Music, Amazon и YouTube. Рекомендательные системы решают широкий спектр задач, направленных на то, чтобы помочь пользователям найти то, что им интересно, будь то товары, услуги, информация или развлечения. В том числе рекомендательные системы находятся в сфере интересов и производителей. В основном, на рекомендательные системы возлагаются задачи прогнозирования предпочтений пользователей, определяя, насколько пользователь, скорее всего, заинтересуется тем или иным объектом и сортируя их по степени релевантности; повышения общих объемов продаж, стимулируя пользователей к повторным покупкам или использованию сервисов и повышая вовлеченность пользователей, предлагая им релевантный контент и рекомендации. Задача персонализации рекомендательных систем заключается в учитывании явных предпочтений пользователя, таких как его отзывы о товарах и история покупок; а также анализе косвенных данных о поведении пользователя, таких как его клики и время, проведенное на сайте. Рекомендательные системы значительно облегчают поиск товаров или сервисных услуг, позволяя пользователям находить элементы, соответствующие их интересам, даже если они не знают, как их точно описать и предлагая товары, которые могли были быть упущены, но которые, скорее всего, могли бы подойти пользователю по его запросу. Также основной из задач рекомендательных систем является их самосовершенствование - чем больше пользователей предоставляет более полную информацию о релевантных товарах или услугах, тем лучше качество прогноза впоследствии. Они помогают пользователям ориентироваться в огромном количестве информации и контента, предлагая им товары, фильмы, музыку и другие продукты, которые могут соответствовать их предпочтениям.

Весь текст будет доступен после покупки

1. Al-Bakri, N.F.; Hashim, S.H. Reducing data sparsity in recommender systems. Al Nahrain J. Sci. 2018, 21, 138–147
2. Sarwar, B.M.; Karypis, G.; Konstan, J.; Riedl, J. Recommender systems for large-scale ecommerce: Scalable neighborhood formation using clustering. In Proceedings of the Fifth International Conference on Computer and Information Technology, Shanghai, China, 21–23 September 2005; Volume 1, pp. 291–324.
3. Zhou, T.; Kuscsik, Z.; Liu, J.; Medo, M.; Wakeling, J.R.; Zhang, Y. Solving the apparent diversity-accuracy dilemma of recommender systems. Proc. Natl. Acad. Sci. USA 2010, 107, 4511–4515.
4. Hu, R.; Pu, P. Enhancing recommendation diversity with organization interfaces. In Proceedings of the 16th International Conference on Intelligent User Interfaces, Palo Alto, CA, USA, 13–16 February 2011; pp. 347–350.
5. Gunawardana, A.; Shani, G. A survey of accuracy evaluation metrics of recommendation tasks. J. Mach. Learn. Res. 2009, 10, 2935–2962.
6. Ricci, F.; Rokach, L.; Shapira, B. Introduction to recommender systems handbook. In Recommender Systems Handbook; Springer: Boston, MA, USA, 2011; pp. 1–35.
7. Schafer, J.B.; Konstan, J.A.; Riedl, J. E-commerce recommendation applications. Data Min. Knowl. Discov.2001, 5, 115–153.
8. Ricci, F.; Rokach, L.; Shapira, B. Recommender Systems: Introduction and Challenges. In Recommender Systems Handbook; Springer: Boston, MA, USA, 2015.
9. Lillegraven, T.N.; Wolden, A.C. Design of a Bayesian Recommender System for Tourists Presenting a Solution to the Cold-Start User Problem. Master’s Thesis, Norwegian University of Science and Technology, Trondheim, Norway, 2010

Весь текст будет доступен после покупки