УДК 004.67
ПРИМЕНЕНИЕ РЕКОМЕНДАТЕЛЬНЫХ СИСТЕМ В КОММЕРЧЕСКОЙ ДЕЯТЕЛЬНОСТИ
В данной статье затрагивается проблема предложения товаров путем использования рекомендательных систем. Описываются наиболее популярные типы, алгоритмы и фреймворки для написания рекомендательных систем.
Ключевые слова: IT, система управления взаимоотношениями с клиентами, фреймворк, база данных, MySQL, рекомендательная система, Big Data.
Введение
В настоящее время многие услуги компаний, которые ранее были доступны только при посещении пользователем определенного места, можно получить, не выходя из дома, практически в любой точке мира. Это стало возможным благодаря развитию интернет-технологий. В наши дни многие люди совершают покупки онлайн, смотрят фильмы, мультфильмы и телепередачи, просматривают различные видеоролики, например, на YouTube, где бы они ни находились. И для каждого пользователя требуется показать то, что ему будет наиболее интересно.
Чтобы увеличить количество продаж и просмотров, а также доходы компаний, важно предлагать товары и услуги каждому человеку индивидуально. В противном случае пользователи могут покинуть платформу компании, если им предложат что-то, что их не заинтересует. Для решения этой проблемы существуют рекомендательные системы, которые позволяют предложить каждому пользователю то, что может его заинтересовать.
Рекомендательные системы - это набор алгоритмов, программ и сервисов, задача которых - предсказать, что может заинтересовать конкретного пользователя. Работа основана на информации о профиле человека и других данных. Если для небольших платформ, где количество товаров и услуг ограничено тысячами, можно использовать обычную сортировку, где пользователь сам может найти интересующий его товар или услугу, то для крупных платформ, например, интернет-магазина Aliexpress, каждый пользователь обязан предлагать товары индивидуально. Ярким примером рекомендательной системы является Tik-Tok.
В течение первых нескольких дней пользователи видят в ленте все, что угодно, но в дальнейшем будет показываться только то, что интересует пользователя, исходя из его оценок видео, которые были показаны ранее [1].
Типы рекомендательных систем
Существует 4 типа рекомендательных систем:
- Коллаборативная фильтрация - это система, основанная на истории оценок как самого пользователя, так и других пользователей. Во втором случае учитываются рекомендации людей, чьи интересы схожи с вашими;
- Контент-ориентированная система - это система, основанная на знаниях о пользователях, которые собираются, когда мы ищем что-либо в Интернете, пишем сообщения, комментарии, посещаем различные веб-сайты. То есть используются любые данные, которые могут быть собраны;
- Системы, основанные на знаниях - основаны на знаниях в определенной области, например, о продуктах или пользователях. Например, при покупке компьютера вам могут быть предложены сопутствующие товары, такие как клавиатура, мышь, монитор и т.д.;
- Гибридные системы - это системы, которые используют комбинацию нескольких алгоритмов в рамках одной платформы, что позволяет свести к минимуму проблемы предыдущих систем [2].
Алгоритмы и методы
Для создания рекомендательных систем используются различные алгоритмы. В коллаборативной фильтрации используются два основных метода: ориентация на пользователя и ориентация на продукт. В первом случае речь идет о предложении продуктов, которые были приобретены пользователями со схожими вкусами. Второй предполагает предложение продуктов, которые были похожи на те, что были выбраны другими пользователями.
Для обработки больших данных используются технологии Big Data. Например, можно рассмотреть две платформы для сбора, хранения и обработки данных – Hadoop и Spark. Hadoop состоит из 4 компонентов: распределенной файловой системы, алгоритмического подхода к обработке данных, системы планирования задач и управления ресурсами кластера, а также набора распространенных утилит и библиотек. Spark — это фреймворк для параллельной и распределенной обработки и анализа данных в оперативной памяти. Главным его преимуществом является высокая производительность [3].
Таким образом, используя комбинацию рекомендательных систем и технологий обработки данных, можно получать рекомендации в различных областях человеческой деятельности. Например, рекомендации при выборе продукта или услуги для обычного пользователя. Рекомендации также могут быть полезны в коммерческой деятельности, например, при разработке информационной системы учета дефектов автотранспортных средств.
Список литературы
- Рекомендательные системы: как помочь пользователю найти то, что ему нужно. Доступно по адресу: https://habr.com/ru/company/productstar/blog/523686/, 10 марта (10 марта 2021)
- Преимущества PHP. Доступно по адресу: https://vc.ru/marketing/152926-rekomendatelnyesistemy-kak-pomoch-polzovatelyu-nayti-to-chto-emu-nuzhno, 12 марта (12 марта 2021)
- Сравнительное исследование алгоритмов проектирования рекомендательных систем на основе анализа широкоформатных данных о потребительских корзинах. Доступно по адресу: https://cyberleninka.ru/article/n/sravnitelnoe-issledovanie-algoritmov-proektirovaniya-rekomendatelnyh-sistem-na-osnove-analiza-krupnoformatnyh-dannyh-o, 13 марта (13 марта 2021)