Дослідження та розробка системи рекомендацій товарів на основі колаборативної фільтрації та Spark MLlib

Abstract

У кваліфікаційній роботі досліджено методи побудови рекомендаційних систем на основі колаборативної фільтрації з метою підвищення якості персоналізації товарних рекомендацій у сфері електронної комерції. Об’єктом дослідження є процес формування персоналізованих рекомендацій товарів на основі взаємодії користувачів із системою. Предметом дослідження є алгоритми колаборативної фільтрації, методи матричної факторизації та технології машинного навчання, що використовуються для створення рекомендаційних систем. У роботі проведено аналіз предметної галузі та сучасних підходів до побудови рекомендаційних систем, розглянуто принципи роботи колаборативної фільтрації та алгоритму ALS. Досліджено методи обробки даних користувачів, виконано підготовку датасету та реалізовано модель рекомендаційної системи засобами Apache Spark MLlib. Проведено експерименти з оцінювання точності роботи моделі та аналіз ефективності сформованих рекомендацій.

The qualification thesis is devoted to the research and development of a product recommendation system based on collaborative filtering methods aimed at improving the quality of personalized recommendations in e-commerce systems. The object of the research is the process of generating personalized product recommendations based on user interaction with the system. The subject of the research includes collaborative filtering algorithms, matrix factorization methods, and machine learning technologies used in recommendation systems. The paper analyzes the subject area and modern approaches to the construction of recommendation systems. The principles of collaborative filtering and the ALS (Alternating Least Squares) algorithm are considered. Methods of user data processing were investigated, the dataset was prepared and analyzed, and a recommendation model was implemented using Apache Spark MLlib tools. Experimental studies were conducted to evaluate the accuracy and effectiveness of the developed recommendation system.