Ieteikumu sistēmas izstrāde un optimizācija: gadījuma apskats

Abstract

Daudzi tiešsaistes veikali cenšas maksimāli palielināt savu pārdošanas potenciālu. Saskaņā ar Barilliance pētījumu personalizētie produktu ieteikumi var dot līdz pat 31% no e-komercijas vietņu ieņēmumiem, uzsverot ieteikumu uzlabošanas nozīmi un būtisku iespēju. Ieteikumu sistēmas tiek plaši izmantotas, lai piesaistītu klientu uzmanību, prezentējot produktus, kas pielāgoti viņu vēlmēm, uzlabojot klienta iepirkšanās pieredzi un saglabājot viņu iesaisti platformā. Šis darbs ir veltīts rekomendācijas sistēmas izstrādei lielam interneta veikalam, kas specializējas skaistumkopšanas produktos un darbojas sešās valstīs. Lai izstrādātu šo sistēmu, mēs izmantojam klientu/produktu datu kopu, kas ietver 2142 produktus un 62537 klientus. Izstrādājot ieteikumu sistēmu, mēs salīdzinām apkaimes algoritmu ar tā optimizēto versiju, kas izmanto singulāra sadalīšanās. Prognožu kvalitāte tiek novērtēta uz atsevišķa datu kopuma, kas nav iesaistīta ieteikuma sistēmas izstrādē un tiek izmantota tikai sistēmas ģenerēto prognožu pārbaudei.

Many online stores struggle to maximise their sales potential. According to a study by Barilliance, personalised product recommendations can contribute up to 31% of e-commerce site revenues (Duy et al., 2024), highlighting the importance and significant opportunity for improving recommendations. Recommender systems are widely used to capture customer attention by presenting products customised to their preferences, enhancing the customer’s shopping experience and maintaining their engagement with the platform. This thesis is dedicated to developing a recommender system for a large online store specialising in beauty products and operating in six countries. To develop this system, we use a client/product dataset including 2,142 products and 62,537 customers. When developing the recommender system, we compare the Neighbourhood-based algorithm with its optimised version that uses SVD. The quality of prediction is evaluated on a separate set of data that is not involved during the development of the recommender system and is used only for testing the predictions generated by the system.