Прогнозирование покупки товара, показанного клиенту рекомендательной системой

В работе рассматриваются различные методы улучшения рекомендательных систем. Проводится сравнительный анализ двух моделей для решения задач классификации: случайного леса (Random Forest) и CatBoostClassifier. Исследование выполнялось на данных истории покупок клиентов компании Ozon. Были использованы стандартные методы, часто применяемые в рекомендательных системах. Были реализованы методы коллаборативной фильтрации, косинусная схожесть товаров от просмотров клиента за одно посещение сайта, схожесть текстовых данных. Для оценки результатов использовались специальные метрики, оценивающие качество предсказаний первых k объектов из рекомендаций: Mean average precision (map@K) и Recall at K (recall@k). При генерации дополнительных признаков, основанных на различных методах, выявляющих схожесть объектов, отмечается увеличение качества прогнозов моделей. Модель CatBoostClassifier показала наилучшие результаты.

1. Francesco Ricci and Lior Rokach and Bracha Shapira. Introduction to Recommender Systems Handbook // Springer Science+Business Media, LLC 2011. С. 1–10.
2. Mizzaro Stefano. Relevance: The Whole History // journal of the american society for information science, 1997. С. 810–820.
3. Brent Smith and Greg Linden. Two Decades of Recommender Systems at Amazon.com // the IEEE Computer Society, 2017. C. 10–17.
4. Carlos A. Gomez-Uribe and Neil Hunt. The Netflix Recommender System: Algorithms, Business Value, and Innovation // ACM Transactions on Management Information Systems, Vol. 6, No. 4, Article 13, 2015. С. 6–7.
5. Е.Е. Пятикоп. Исследование метода коллаборативной фильтрации на основе сходства элементов // Наукові праці ДонНТУ випуск 2 (18), Серія “Інформатика, кібернетика та обчислювальна техніка”, 2013. С. 109–110.
6. Кристофер Д. Маннинг, Прабхакар Рагхаван, Хайнрих Шютце. Введение в информационный поиск // Издательский дом “Вильямс”, 2011. С.138.
7. Г.Г. Литова, Д.Ю. Ханукаева. Основы векторной алгебры // Москва, 2009. 57.
8. Jerome H. Friedman. Greedy Function Approximation: A Gradient Boosting Machine // Technical Discussion: Foundations of TreeNet(tm), 1999. С. 39.
9. CatBoost [Электронный ресурс] // URL: https://neerc.ifmo.ru/wiki/index.php?title=CatBoost
10. GridSearchCV [Электронный ресурс] // Scikit-learn URL: https://scikit-learn.org/stable/ modules/generated/sklearn.model_selection.GridSearchCV.html
11. Gunnar Schröder, Maik Thiele, Wolfgang Lehner. Setting Goals and Choosing Metrics for Recommender System Evaluations, 2011 С. 8.
12. Ziwei Zhu, Jianling Wang, James Caverlee // Improving Top-K Recommendation via Joint Collaborative Autoencoders, IW3C2 (International World Wide Web Conference Committee), published under Creative Commons CC-BY 4 License, 2019. С. 7.
13. CatBoost Feature Importance [Электронный ресурс] // catboost URL: https://catboost.ai/docs/ concepts/fstr.html#fstr
14. Wen Zhang, Taketoshi Yoshida, Xijin Tang. A comparative study of TFIDF, LSI and multi-words for text classification // Expert Systems with Applications, 2010. С. 8.
15. Tom Fawcett. An introduction to ROC analysis // Pattern Recognition Letters 27, 2006. С. 865.

PlumX

Метрики публикации