XI Международная студенческая научная конференция Студенческий научный форум - 2019

Распространение информационных технологий привело к тому, что постоянно происходит расширение круга пользователей сети и все больше компаний получают свои представительства в виде интернет-ресурсов. Однако специфика рынка товаров и услуг в интернете не предполагает автоматического роста продаж, так как покупатель должен быть заинтересован в процессе из-за постоянного роста предложений в сети [1].

Одним из интересных направлений, которое используют современные компании для привлечения клиентов, становится персонализация. Персонализация предлагает формирование структуры и списка предлагаемых товаров и услуг с учетом предпочтений посетителя [1].

Работа с клиентом внутри магазина строится на предложениях, которые формирует менеджер по продажам в процессе исследования предпочтений клиентов. Использовать такую технологию для работы с удаленными клиентами невозможно. Поэтому необходимо было организовать механизмы оценки предпочтений пользователя и построить алгоритмы формирования прогнозов выбора клиента с учетом его старых предпочтений. В результате развития этого направления появились рекомендательные системы, выполняющие прогнозирование предпочтений и предлагающие клиенту предварительно список товаров или услуг, на которые он скорее ориентирован [3, 2].

Применение различных технологий персонализации привело к стремительному росту продаж, что усилило поиск новых методик выработки предложений. Однако, не смотря на большую область применения, рекомендательные системы могут давать не очень корректные советы из-за сложности построения прогноза предпочтений [3].

В этом случае используются технологии работы с данными не только самого пользователя, но и подобных ему. С помощью специализированных алгоритмов выделения групп похожих пользователей и выработки на этом основании новых предпочтений клиента, такие алгоритмы получили серьезное развитие, как в математическом плане, так и в прикладном [4].

Другая проблема, которая возникает в связи с использованием новых алгоритмов выработки предпочтений, это обработка больших массивов данных. Работа с большими данными затруднена не только из-за сложности их хранения, сколько из-за трудности обработки, которая требует задействования больших ресурсов [2].

Это может быть или применения специализированных методик обработки данных, например, проведение предварительных фильтраций.

Целью работы является проектирование и разработка модуля оценки контента интернета-ресурса на основе предпочтений пользователей.

Для последующего решения были поставлены следующие задачи: рассмотреть принципы работы рекомендательных системы, провести обзор аналогов, разработать алгоритм выработки рекомендаций для построения модуля оценки контента интернет-ресурса, разработать проект системы оценки контента интернета-ресурса на основе предпочтений пользователей, провести анализ эффективности рекомендаций разработанной системы.

Модуль оценки контента интернета-ресурса на основе предпочтений пользователей представляет собой средство персонализации контента интернет-ресурса. Цель применения персонализации в увеличении вовлеченности посетителей, улучшении пользовательского опыта и повышении конверсии. Наиболее активно может использоваться в электронной коммерции для адресного предложения товаров, а также услуг конкретным пользователям на основании выработанных рекомендаций, сформированных по данных других пользователей.

Для сравнения были собраны следующие продукты, аналогичные по логике разрабатываемому программному модулю: «Relap.io» — рекомендательная система, популярная среди контентных сайтов и «REES46» — рекомендательная система для интернет-магазинов с нишевыми решениями для разных товарных сегментов. Также включает в себя полный набор инструментов для маркетинга интернет-магазина.

Анализ показал, что можно говорить о возможности применения самих принципов построения рекомендательных систем в любой сфере, использование рекомендательной системы для решения конкретных задач очень специфично.

Особую роль в этой системе играет хранилище обрабатываемых данных, структура которого определяется сферой деятельности, характеристиками пользователей и объектов. Поэтому разработка проектов с высоким уровнем адекватности и точности соответствия модели жизненным реалиям может строится только на базе самой компании с учетом всех особенностей анализируемых структур пользователей и выбираемых ими объектов [2].

Основная задача модуля оценки контента это формирование рекомендаций на основе существующих оценок пользователя других объектов контента.

Модуль в процессе работы решает две основных задачи:

осуществлять прогноз будущей оценки и предпочтений пользователя для нового предмета из общего контента;

выдавать рекомендации, которые представляют собой сформированный ранжированный список из некоторого подмножества общего контента персонально для данного пользователя.

Основой для функционирования модуля является наличие данных об оценке предпочтений пользователей. Структура оценки должна быть в общем случае представлена в виде триплета: пользователь, объект, оценка.

Применяемые методики не дают полной гарантии корректности выбора рекомендации для конкретного пользователя, так как используемые технологии разрабатываются на основе принципов усреднения [4].

Однако в рамках формирования предложений для посетителей сайтов, например, интернет-магазинов, которые посещают тысячи, а иногда и сотни тысяч пользователей, такое усреднение является оправданным.

Такая система имеет очевидные преимущества:

стоимость формирования таких рекомендаций мизерна по сравнению с затратами на реальных консультантов в магазинах;

проводит автоматическую постоянную подстройку под новых пользователей, которая персонализирует данные по выводимым товарам на основании предварительного исследования всех существующих оценок, а число таких оценок постоянно растет в процессе работы интернет-магазина.

В качестве первого уровня анализа эффективности разработанной системы проведен сравнительный анализ с аналогами систем. Для чистоты эксперимента сравнение проводилось на сопоставимых базах, определяющих матрицы предпочтений: MovieLens и разработанная система (рис. 1).

Рисунок 1 — Скорость выдачи рекомендаций по системам

Полученные результаты позволяют говорить, что с учетом проведенной корректировки производительности оборудования, скорость обработки данных и выдачи рекомендаций разработанной системы практически нисколько не уступает ориентированной на решение таких задач системе.

Конечно, решение MovieLens, являющееся серьезным научным проектом в определенных категориях более функционально, чем разработанное приложение. Однако, с учетом вложений в разработку системы, которая включает использование труда в течение трёх месяцев и собственного оборудования, бюджетов инвестиционных проектов несравнимы.

Разработанная система выигрывает в сокращении объемов обрабатываемых данных и намечается более позитивная тенденция.

Список литературы

Брейкин, Е. А. Рекомендательная система на основе коллаборативной фильтрации // Молодой ученый. – 2015. – С. 31-33.

Жадан, А. А. Моделирование рекомендательной системы в задачах принятия решений / А. А. Жадан, О. В. Костюк // Студенческие конференции : Математичне моделювання в механіці та системах управління - НТУ «ХПИ». – 2014. – С. 67-88.

Кметь, Е. Б. Исследование предпочтений пользователей к различным видам и формам интернет-рекламы / Е. Б. Кметь, М. В. Пынько // Территория новых возможностей. – 2017. – С. 23-27.

Шестухин, А. В. Анализ и комбинирование различных методов рекомендательных систем / А. В. Шестухин, К. Т. Григорьева // 21-я Всероссийская межвузовская научно-техническая конференция студентов и аспирантов «Микроэлектроника и информатика – 2014». – 2014. – С. 138.