Regisztráció és bejelentkezés

Implicit visszacsatoláson alapuló kollaboratív szűrős ajánlórendszer mély neurális hálóval

A mai világban a jelentős adatnövekedésnek és a szolgáltatók közötti versenynek köszönhetően megnőtt az igény az egyre jobb teljesítményű ajánlórendszerek kifejlesztésére. Ezeknek a rendszereknek a célja, hogy minél relevánsabb ajánlatokat adjon a felhasználóknak, ezzel növelve a vásárlások számát/oldalon töltött időt/felhasználói élményt.

Az ajánlórendszerek szakirodalmában alapvetően kétféle csoportosítás létezik. Az egyiknél az adatok származása alapján történik csoportosítás, itt megkülönböztetünk implicit és explicit értékeléseket / visszajelzéseket. Explicit visszajelzésnek nevezzük, amikor egy felhasználó a termék fogyasztása (használata, megnézése, stb.) után értékelést (pl. pontszámot) rendel egy termékhez. Implicit visszacsatolásnak pedig, amikor a felhasználó és a termék közti interakcióból automatikusan származnak az adatok (pl. megvette-e a terméket vagy sem). Másik csoportosításnál pedig a termékekről rendelkezésre álló információk alapján választhatjuk szét a két ajánlórendszer típust: tartalom alapú szűrés, ahol a termékekhez plusz információk (ember által meghatározott tulajdonságok) is vannak, és ez alapján történik az ajánlás, illetve a kollaboratív szűrés, mely matematikai konstrukciók segítségével látens tulajdonságokat rendel a termékekhez/felhasználókhoz. A TDK dolgozatunkban az utóbbival illetve az implicit visszajelzés típusú ajánlásokkal foglalkoztunk részletesen.

Kezdetben az úgynevezett baseline módszert használták az iparban, azaz minden felhasználónak egységesen a legjobb termékeket ajánlották. Ezután terjedtek el a hasonlóság alapú módszerek, amelyek a felhasználóknak egyedi ajánlásokat tettek, a hozzájuk hasonló felhasználók, illetve az általuk használt termékek alapján. Az első komolyabb előrehaladást a témában a mátrixfaktorizációs modellek jelentették, amelyek a felhasználókat és a termékeket is ugyanabban a látens térben reprezentálják, majd ezek cosinus távolsága alapján rangsorolják a releváns termékeket. A legfrissebb kutatások arra irányulnak, hogy neurális hálóval végezzék a látens vektorok hozzárendelését.

Dolgozatunkban kitértünk a régebbi ajánlórendszerek és a legfrissebb módszerek leírására, elemzésére. Különböző pontosság metrikák alapján összehasonlítottuk és kombináltuk őket egy saját ajánlórendszer létrehozása érdekében, majd kiértékeltük a kapott eredményeket. A dolgozatunkat egy összefoglaló résszel zártuk, ahol röviden reflektáltunk a bevezetőben említettekre, azaz hogy az ajánlórendszerek kifejlesztésére egyre nagyobb igény mutatkozik.

szerzők

  • Kiss Richárd
    Mérnök informatikus szak, alapképzés
    alapképzés (BA/BSc)
  • Pogány Domonkos
    Mérnök informatikus szak, alapképzés
    alapképzés (BA/BSc)
  • Sándor Dániel
    Mérnök informatikus szak, alapképzés
    alapképzés (BA/BSc)

konzulens

  • Dr. Szűcs Gábor
    egyetemi docens, Távközlési és Médiainformatikai Tanszék