Введение 3
1. Принцип построения рекомендательных систем 6
1.1 Представление данных 6
1.2 Сбор данных для рекомендательной системы 7
1.3 Формирование рекомендаций 8
2. Задача совместной фильтрации 11
2.1 Постановка задачи совместной фильтрации 11
2.2 Подход memory-based 12
2.3 Подход model-based 13
3. Построение модели 15
3.1 Матричные разложения 15
3.2 Модель построения предпочтения SVD 16
4. Модернизация модели 17
4.1 Система ставок букмекерской конторы 17
4.2 Адаптация модели 19
5. Реализация демонстрационной версии рекомендательной системы.... 23
5.1 Методы оценки точности результатов 23
5.2 Полученные результаты. Примеры 25
6. Заключение 30
Список литературы 31
Приложение 33
Современные крупные компании, а также мелкие индивидуальные предприниматели используют мировую сеть Интернет для продвижения и расширения своего бизнеса. Большинство подобных организаций располагают очень большим объемом данных различного рода, при этом значительная часть информации располагается на всевозможных интернет ресурсах, принадлежащих компании. И, зачастую, пользователь тратит слишком много времени, изучая контент полностью самостоятельно. Чтобы организовать свою деятельность наиболее эффективно, каждое предприятие любого уровня, использует различные инструменты для поиска, обработки, систематизации имеющихся данных. Основной целью описываемых инструментов является помощь пользователям в выборе тех или иных действий, при условии наличия некоторой информации о них. Поэтому возникает проблема выбора подходящего способа навигации по данным, размещенным в веб-сервисе. Актуальность данной задачи обусловлена слишком большим объемом информации о товарах или услугах, предоставляемой на сайтах различных компаний или интернет- магазинов. Решением этой задачи служат рекомендательные системы.
В работе [1] рекомендательные системы определены как программные инструменты и методы, предлагающие пользователям те объекты, которые им могут быть интересны. Объект в данном случае - это общий термин, используемый для обозначения того, что система рекомендует пользователям. Объектами рекомендаций могут служить товары и услуги в интернет-магазине, медиа-контент, другие пользователи веб-сервиса и так далее. Рекомендательные системы анализируют поведение пользователей или анкетные данные клиентов интернет-сервиса, после чего могут давать оценку предпочтения пользователем того или иного объекта рекомендаций. Если каждому пользователю предлагается свой набор рекомендованных объектов, отличный от рекомендаций других пользователей, то такой функционал называют персонализацией.
Результатом внедрения рекомендательной системы является очевидное улучшение взаимодействия между пользователем и веб-сервисом. С помощью этого инструмента могут быль улучшены многие показатели эффективности работы, такие как объемы продаж, коэффициент дохода, степень вовлеченности пользователя, лояльность клиентов к сервису.
В настоящей работе будет рассмотрен интернет ресурс букмекерской конторы. Сервис позволяет зарегистрированным клиентам компании делать ставки на спорт в режиме онлайн из любого места страны.
При входе в личный кабинет пользователя, клиенту предлагается список событий, на каждое из которых он может сделать ставку. В виду широкого спектра видов спорта, а также большого количества мероприятий и участников в каждом из них, клиент тратит много времени для поиска интересующего его события.
Цель данной работы заключается в создании персонализированной рекомендательной системы для предложения спортивных событий клиенту, основанной на поведении пользователя на сайте букмекерской конторы.
Работа состоит из пяти глав. В первой главе вводится формальное определение рекомендательной системы, производится обзор методов сбора данных и подходов к формированию рекомендаций.
Во второй главе рассматривается задача совместной фильтрации сначала в контексте memory-based алгоритма, затем в контексте model-based подхода.
В третьей главе описывается формирование модели, начиная с общей модели SVD, с последующей модернизацией в современную модель латентных векторов, с учетом особенностей веб-сервиса букмекерской конторы.
В четвертой главе производится разбор особенностей букмекерских ставок, с тем чтобы адаптировать построенную модель для улучшения рекомендаций. Также описывается метод построения решения.
В пятой главе проводится анализ полученных результатов, дается оценка качества рекомендаций, а также иллюстрация результатов работы демонстрационной версии рекомендательной системы на примере двух разных наборов данных.
В рамках настоящей работы были решены следующие задачи:
• Построена модель предсказания предпочтений пользователей для рекомендательной системы онлайн сервиса букмекерской конторы.
• Реализована демонстрационная версия описаной системы, по результатам работы которой были получены адекватные результаты.
• Проведена работа по улучшению качества рекомендаций с учетом проблем неявной обратной связи и масшабирования данных.
Рекомендательная система показала себя как мощный инструмент, который потенциально способен улучшить показатели букмекерского бизнеса за счет увеличения вовлеченности клиентов в ставки. Кроме того, полученные результаты для разных наборов данных показали, что реализованная система имеет широкие перспективы дальнейшего развития и улучшения в рамках букмекерской конторы, за счет возможного дополнения модели и совершенствования антифрод модуля.
