Создание рекомендательной системы на основании транзакционной активности окружения клиента банка

Существует множество способов создания рекомендательных систем для данных, имеющих рейтинговую шкалу, таких как фильмы и музыка. Проблема таких алгоритмов заключается в том, что их нельзя легко стандартизировать для данных с не масштабированными целевыми значениями, таких как данные о покупках клиентов или их частоте. Например, рейтинги для песен и фильмов обычно представляют из себя шкалу по пяти- или десятибалльной системе. Однако данные о покупке непрерывны и не имеют верхней границы. В данной работе описан алгоритм разработки рекомендательной системы на основании транзакционной активности окружения клиентов банка. Работа содержит сравнительный анализ всевозможных модификаций и комбинаций различных подходов для нахождения наилучшего алгоритма. Применимость данной модели демонстрируется на реальных данных, в частности, это данные о транзакциях 1 300 000 клиентов Сбербанка с проверкой на следующих 1/3/6 месяцах. Более того, в работе также показано, что рекомендации, сделанные с использованием графа клиента (по его ближайшему окружению), оказались более релевантные по сравнению с рекомендациями, сделанными на случайной выборке из 100/1000 клиентов. Представленные результаты отображают превосходство полученной рекомендательной системы по рассматриваемой метрике.