Разработка рекомендательной системы товаров и услуг на основе нейронных сетей

1.

МИНИСТЕРСТВО НАУКИ И ВЫСШЕГО ОБРАЗОВАНИЯ РФ ФГБОУ ВО
«УЛЬЯНОВСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ»
ФАКУЛЬТЕТ МАТЕМАТИКИ, ИНФОРМАЦИОННЫХ И АВИАЦИОННЫХ
ТЕХНОЛОГИЙ КАФЕДРА ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ
ВЫПУСКНАЯ КВАЛИФИКАЦИОННАЯ РАБОТА
(бакалаварская работы)
«Разработка рекомендательной системы товаров и услуг на основе
нейронных сетей»
Подготовил студент группы:
ПРИ-O-19/1
Бексаев Илья Александрович
Руководитель ВКР
Волков М.А.

2.

Актуальность
Данная задача является актуальной, по причине того, что составление персональных рекомендаций,
которые точно соответствуют интересам и потребностям пользователей, могут значительно повысить
вероятность совершения покупки.
Разработка рекомендательной системы на основе нейронных сетей позволяет улучшить качество
рекомендаций и, следовательно, повысить продажи и конверсию.

3.

Цель и задачи
Цель работы
Исследование и разработка рекомендательной системы
с использованием нейронных сетей
Задачи ВКР
Обзор существующих методов исследования и разработки рекомендательных систем
Изучение базовых концепций нейронных сетей и их применения в рекомендательных
системах
Определение требований к разрабатываемой рекомендательной системе на основе
нейронных сетей
Разработка и реализация прототипа рекомендательной системы на основе нейронных
сетей
Проведение экспериментов и тестирование разработанной рекомендательной системы
на реальных данных
Анализ результатов тестирования и обзор перспектив развития разработанной
рекомендательной системы на основе нейронных сетей.

4.

Использованные технологии
Технологии, использовавшиеся для создания интерент-магазина
Django
Технологии, использовавшиеся для создания рекомендательной системы
Jupyter
Tensorflow
Tf_slim
Retrying
Pandera
Scrapbook
Pandas
Recommenders 1.1.1

5.

Dataset
Данные включают в себя
568 454 отзывов
256 059 пользователей
74 258 товаров
260 пользователей с более чем
50 отзывами

6.

Графики анализа
данных
Quick EDA
VADER

7.

Схема рекомендательной системы
«NCF и xDeepFM»
Extreme Deep Factorization Machine (xDeepFM) - это
метод глубокого обучения, используемый в задачах
рекомендации. Он характеризуется комбинацией двух
архитектурных концепций: модели факторизации и
нейронных сетей.
Neural Collaborative Filtering (NCF) - это алгоритм
рекомендательной системы, который использует
нейронные сети для определения предпочтений
пользователей и для предсказания, какими
продуктами или услугами они могут
заинтересоваться.

8.

Оценки моделей
Существует несколько способов проверки адекватности и правильности рекомендаций системы. Один из
таких способов — это проведение тестирования на сбалансированных и разнообразных выборках данных и
измерение качества рекомендаций на основе стандартных метрик, таких MAP, NDCG, Precision, Pecall.

9.

Главная страница
Для того чтобы начать работу с
сервисом
вам
необходимо
перейти на сайт. Где главная
страница представляет из себя
витрину магазина, где можно
выбрать категорию товара, либо
перейти
на
вкладку
«Все
продукты», где вперемешку будут
представлены
все
товары
магазина.

10.

Примеры рекомендаций

11.

Карта интернет магазина

12.

ERD-модель интерент
магазина

13.

Пользователь и рекомендательная
система
1)Пользователь заходит на сайт, открывая веб-браузер и вводит
адрес сайта.
1)После пользователь должен совершить покупку товара или
услуги:
1)Проверка статуса покупки
1)Работа блока xDeepFM:
1)Работа блока NCF (Neural Collaborative Filtering):
1)Запись рекомендаций
рекомендаций:
в
БД
и
обновление
страницы

14.

Проведение эксперимента и анализ результатов

15.

Заключение
В ходе выполнения ВКР было рассмотренно создание рекомендательной системы на основе нейронных
сетей с использованием языка Python, совместно со следующими технологиями Jupyter, Tensorflow,
Pandera, Recommenders 1.1.1. Система позволяет определить интерес пользователя на основе всех
полученных данных и порекомендовать товар и услугу, которые могут его заинтересовать.
Результаты работы показали, что использование нейронных сетей в качестве базы для рекомендательных
систем, позволяет повысить точность и качество рекомендаций и, следовательно, повысить
удовлетворенность пользователей, а также возможно применение для продвижения бизнеса и его
продуктов. Была проведена проверка на тестовых данных, которая подтвердила эффективность метода.

16.

Список используймой литературы
Стеффен Рендл, «Машины факторизации», Международная конференция IEEE по Data Mining, стр. 995-1000, 2010.
Ксианьян Хе, Лизи Ляо, Ханванг Жанг, Ликианг Ли, Ксиа Ху и Тат-Сенг Чуа. «Нейронная коллаборативная фильтрация»,
Материалы 26-й международной конференции по World-Wide Web, стр. 173-182, 2017.
Хуифенг Гуо, Руиминг Тэнг, Юнминь Е, Женгуо Ли и Ксиукианг Хе. «DeepFM: нейронная сеть для предсказания показателя
кликабельности, основанная на машине факторизации», препринт arXiv:1703.04247, 2017.
Джианксун Лиан, Ксиаохуан Жоу, Фуженг Жанг, Жонгксиа Чен, Ксинг Кси и Гуангжонг Сун. «xDeepFM: комбинируем явные и
неявные взаимодействия признаков для рекомендательных систем», в Материалах 24-й международной конференции ACM
SIGKDD по исследованию знаний и Data Mining, стр. 1754–1763. ACM, 2018.
Хенг-Це Ченг, Левент Коц, Джеремия Хармсен, Тал Шакед, Тушар Чандра, Хриши Арадхье, Глен Андерсон, Грег Коррадо, Вей
Чай, Мустафа Испир, Рохан Анил, Закария Хак, Личан Хонг, Вихан Джайн, Ксяобинг Лю и Хемаль Шах. «Широкое и глубокое
обучение для рекомендательных систем», в материалах 1-го семинара по глубокому обучению рекомендательных систем, стр.
7-10, 2016.
М. Наумов, Д. Мудигер, Х.М. Ши, Дж. Хуанг, Н. Сундараман, Дж. Парк, Кс. Ванг, У. Гупта, Ц. Ву, А.Г. Аццолини, Д. Джулгаков, А.
Малевич, И. Чернавский, Ю. Лю, Р. Кришнамурти, А. Ю, В. Кондратенко, С. Перейра, Кс. Чен, В. Чен, В. Рао, Б. Джиа, Л. Ксионг
и М. Смелянский «Рекомендационная модель глубокого обучения для систем персонализации и рекомендации», CoRR, vol.
abs/1906.00091, 2019.

17.

Спасибо за
внимание!