Розробка рекомендаційної системи для онлайн-магазину

Abstract

Кваліфікаційну роботу присвячено дослідженню принципів побудови та практичній реалізації гібридної рекомендаційної системи для платформ електронної комерції, яка спрямована на подолання проблеми інформаційного перевантаження користувачів та вирішення проблеми «холодного старту». У роботі здійснено комплексний теоретичний аналіз існуючих підходів до фільтрації інформації: популярнісних методів, колаборативної та контентної фільтрації, а також сучасних моделей на основі глибокого навчання. Обґрунтовано доцільність застосування гібридної архітектури для забезпечення безперервного циклу рекомендацій залежно від ступеня розрідженості та доступності даних. Розроблено та програмно реалізовано мовою Python гібридну систему, яка об'єднує три автономні підсистеми: 1. Рекомендації на основі популярності (Popularity-based) – для нових користувачів без історії взаємодій. 2. Модельну колаборативну фільтрацію на основі сингулярного розкладання матриці (Truncated SVD) – для обчислення персоналізованих item-to-item рекомендацій постійним клієнтам у латентному просторі ознак. 3. Текстову кластеризацію описів товарів (TF-IDF + K-means) – для семантичного групування асортименту в умовах повного «холодного старту» нової системи або додавання нових позицій без транзакційної історії. Тестування та аналіз ефективності алгоритмів проведено на реальних промислових наборах даних (Amazon Reviews Dataset та Home Depot Product Search Relevance). Емпірично доведено робастність запропонованого архітектурного підходу, його високу швидкість обробки розріджених даних та практичну цінність для інтеграції в реальні e-commerce платформи з метою підвищення конверсії та лояльності користувачів.

The qualification thesis is devoted to the study of the design principles and practical implementation of a hybrid recommender system for e-commerce platforms, aimed at overcoming the problem of user information overload and addressing the "cold start" problem. The paper provides a comprehensive theoretical analysis of existing information filtering approaches: popularity-based methods, collaborative and content-based filtering, as well as modern deep learning-based models. The expediency of using a hybrid architecture to ensure a continuous recommendation cycle depending on the degree of data sparsity and availability is substantiated. A hybrid system has been developed and programmatically implemented in Python, combining three autonomous subsystems: 1. Popularity-based recommendations – for new users with no interaction history. 2. Model-based collaborative filtering based on singular value decomposition (Truncated SVD) – to calculate personalized item-to-item recommendations for regular customers in a latent feature space. 3. Text clustering of product descriptions (TF-IDF + K-means) – for semantic grouping of the assortment under conditions of a complete "cold start" of a new system or when adding new items without transactional history. Testing and performance analysis of the algorithms were conducted on real-world industrial datasets (Amazon Reviews Dataset and Home Depot Product Search Relevance). The robustness of the proposed architectural approach, its high processing speed for sparse data, and its practical value for integration into real e-commerce platforms to increase conversion rates and user loyalty have been empirically proven.