Рекомендательная система для интернет магазина при помощи методов машинного обучения

В настоящее время переизбыток доступной информации создает трудности при выборе наиболее подходящего объекта из бесчисленных альтернатив. Как следствие, остро стоит проблема фильтрации релевантной информации, особенно в сфере онлайн-ритейла. Современным подходом является использование рекомендательных систем, построенных на методах машинного обучения. В ходе работы были проведены и автоматизированы препроцессинг и верификация данных. Были проанализированы и протестированы различные подходы к построению рекомендательных систем: основанные на контентной фильтрации (TF-IDF – Term Frequency-Inverted Document Frequency, LightGBM – Light Gradient Boosting Method), коллаборативной фильтрации (SAR – Simple Algorithm for Recommendations, RBM – Restricted Boltzman Machine), методах матричной факторизации (SVD - Single Value Decomposition, ALS - Alternating Least Squares). На основе оценки качества работы алгоритмов при помощи выбранной метрики RMSE (Root Mean Square Error) для дальнейшего использования были выбраны алгоритмы TF-IDF и ALS, был разработан и программно реализован итоговый оригинальный гибридный алгоритм, способный предоставлять рекомендации для всех пользователей и товаров. Полученные результаты предназначены для использования в компании «Sunlight». В дальнейшем планируется доработка алгоритма для интеграции рекомендательной системы с хранилищем данных ритейлера, использование полученного решения на сайте компании для генерации рекомендаций в режиме реального времени. Работа содержит 95 страниц, 13 глав, 18 рисунков, 40 источников, 5 приложений.