Модель прогнозування поведінки покупця на основі технологій аналізу великих даних
DOI:
https://doi.org/10.20998/2411-0558.2021.02.06Ключові слова:
прогнозування поведінки, технології аналізу великих даних, модулі підбору рекламиАнотація
Виконано аналіз наявних методів та моделей формування рекомендацій для потенційного покупця у мережевих інформаційних системах з метою розробки ефективних модулів підбору реклами. Обґрунтовано ефективність використання технологій машинного навчання для аналізу вподобань користувачів на основі обробки даних про покупки, здійснені користувачами з подібним профілем. Запропоновано модель формування рекомендацій, основану на технології машинного навчання, перевірено її роботу на тестових наборах великих даних та виконано оцінку адекватності моделі на основі середньоквадратичного відхилення (RMSE).
Ключові слова: прогнозування поведінки; реклама на основі подібності; колаборативна фільтрація; матрична факторизація; big data; machine learning
Посилання
Thanh-Nhan, H., Nguyen, H., Thai-Nghe, N. (2016), "Methods for building course recommendation systems", Eighth International Conference on Knowledge and Systems Engineering (KSE), 2016, pp. 163–168.
Ivanytska, A.Yu., Zubyk, L.V., Ivanov, D.E. (2021), "Development of the model for the formation of recommendations for the construction of a subsystem for the selection of contextual advertising", Problems Informatics and Modeling (PIM-2021). Thesis of the
twenty-first international scientific and technical conference. - Kharkiv: NTU "KhPI", September 9-14, 2021, P.26.
Koren, Y. (2008), "Factorization meets the neighborhood: a multifaceted collaborative filtering model", International conference on Knowledge discovery and data mining: Proceedings of the 14th ACM SIGKDD, 2008, ACM, 2008, pp. 426–434.
Item-Based Collaborative Filtering in Python. The practice of making the item-based collaborative filtering in python: Access mode: URL: https://towardsdatascience.com/itembased- collaborative-filtering-in-python-91f747200fab (Data: 16.09.2021).
Lobur, M., Shvarts, M., Stekh, Y. (2017), "The method of sequential clustering for predicting recommendations", CAD in Machinery Design-Implementation and Education Problems: Proc. of the XXV Polish-Ukrainian Сonference: October 20–21, 2017, Bielsko-
Biała, 2017, pp. 19–20.
Hernando, A., Bobadilla, J., Ortega, F. (2017), "A non negative matrix factorization for collaborative filtering recommender systems based on a Bayesian probabilistic model", Knowledge-Based Systems, Vol. 97, pp. 188–202.
Onokoy, L., Lavendels J. (2019), "Modern approaches to building recommender systems for online stores", Applied Computer Systems, No. 24, pp. 18–24.
Steck, H. (2010), "Training and testing of recommender systems on data missing not at random", International conference on Knowledge discovery and data mining: Proceedings of the 16th ACM SIGKDD: 2010, ACM, 2010, pp. 713–722.
Koren, Ye., Bell R., Volinsky, C. (2009), "Matrix factorization techniques for recommender systems", IEEE COMPUTER Published by the IEEE Computer Society, Vol. 42, No. 8, 2009, pp. 30–37.
Thai-Nghe, N., Drumond, L., Krohn-Grimberghe, A. and Schmidt-Thieme, L. (2010), "Recommender system for predicting student performance", In Proceedings of the 1st Workshop on Recommender Systems for Technology Enhanced Learning (RecSysTEL 2010),
Elsevier's Procedia CS, Vol. 1, 2010, pp. 2811–2819.
