Русский
!

Presentations

Об одном подходе к созданию мета-рекомендательной системы

Соколов М.И., Чердынцева М.И., Прокопенко А.В.1

ЮФУ, Институт математики, механики и компьютерных наук имени И.И.Воровича, mihsokolov@sfedu.ru

1ООО "ВижнСистемс", prokopenko@visionsystems.tech

В работе исследуется подход к созданию мета-рекомендательной системы, способной адаптироваться и давать рекомендации для любого интернет-магазина. В процессе исследования был сформирован набор рабочих задач:

1) анализ полученных из интернет-магазинов треков активности пользователей и описания продаваемых товаров;

2) выбор методов рекомендации, подбор типов моделей-рекомендаторов;

3) формирование представлений данных для создания и обучения моделей;

4) обучение и поиск оптимальных гиперпараметров;

5) добавление возможности автоматического пересоздания представлений данных и моделей и переобучения моделей в связи с изменившимися данными и возможности использования оперативной истории без переобучения моделей;

6) интеграция в существующую платформу интернет-магазинов.

Был сформирован набор моделей:

1) модель-baseline, рекомендует 30 самых популярных товаров(Top30);

2) collaborative-filtering автоенкодер(AE);[1]

3) collaborative filtering модель на основе матрицы взаимодействия пользователей и товаров;[2]

4) content-based модель на основе нахождения похожих на популярные у данного пользователя товаров(IP);

5) collaborative-filtering модель на основе нахождения похожих на пользователя пользователей и рекомендации популярных у тех пользователей товаров(UIP);

6) модель с гибридным подходом, основана на сиамской нейросети, которая учится предсказывать вероятность того, что пользователю a понравится товар b. Может принимать на вход не только историю взаимодействия пользователей и товаров, но и специфическую информацию для каждой из сущностей(DRN).

На основе представленного набора данных сравниваются метрики моделей и выполнется их объединение их в мета-модель для создания финальной рекомендации.

Реализация выполнена на языке Python 3.8.10 с пакетами numpy, scikit-learn,scipy, implicit и TensorFlow. Для акселерации обучения моделей на GPU использовался NVidia CUDA Toolkit.

Литература

1)Kuchiaev, Alexii, Ginsburg, Boris. Training Deep AutoEncoders for Collaborative Filtering. 1708.01715.

2)akács, Gábor, Tikk, Domonkos. Alternating least squares for personalized ranking. 10.1145/2365952.2365972.

Presentation

© 2004 Designed by Lyceum of Informational Technologies №1533