Lahendus uute kasutajate ja toodete lisamiseks sessioonipõhistes soovitusüsteemides
Nimi
Maksym Semikin
Kokkuvõte
Sügavaid närvivõrke on edukalt kasutatud mitmetes soovitussüsteemides. Sessioonipõhised soovitussüsteemid on nende üks alaliik, milles modelleeritakse kasutajate ja toodete interaktsioone (klikke), selleks et genereerida kasutajale isikupäraseid soovitusi. Rekurrentsed närvivõrgud on viimastel aastatel muutunud eelistatuimaks lahenduseks mitmesuguste jadaandmete modelleerimisel, sh kasutajasessioonid, kuid olemasolevate lahenduste puuduseks on see, et need on jäigalt seotud tootekataloogi ja selles olevate toodetega. Uute toodete lisandumisel tuleb kogu mudel uuesti treenida. Üks võimalik lahendus sellele on toodete metainfo (pealkiri, kirjeldus, pilt) kasutuselevõtt, mis võimaldab tooteid identifitseerida nende sisu põhjal, mitte identifikaatori järgi. Samas teadaolevalt ei ole hetkel välja pakutud meetodit, mis lahendaks korraga nii uue toote kui ka uue kasutaja lisandumise probleemi sessioonipõhistes soovitussüsteemides.
Töös pakutakse välja uudne arhitektuur sessioonipõhise soovitussüsteemi jaoks, mis kasutab toodete metainfol põhinevaid vektoresitusi. Mudelis kombineeritakse sessiooni jooksul külastatud toodete vektoresitused, selleks et ennustada järgmise toote vektoresitust. Selline lahendus võimaldab lisada tootekataloogi uusi tooteid ilma mudelit uuesti treenimata. Täiendavalt kasutatakse kasutaja sessiooni tema eelistuste modelleerimiseks, mis tähendab, et ennustatud järgmine toode sõltub kasutaja varasematest interaktsioonidest ja seega on tegemist isikupärase ennustusega. Eksperimendid viidi läbi Amazoni kasutajaarvustuste andmestiku peal ning tulemusi võrreldi GRU4Rec ja TransRec mudelitega. Pakutud lahendus saavutas võrreldavaid või paremaid tulemusi kui varasemad parimad mudelid ning võimaldab seejuures lihtsustada uute toodete või kasutajate lisamist.
Töös pakutakse välja uudne arhitektuur sessioonipõhise soovitussüsteemi jaoks, mis kasutab toodete metainfol põhinevaid vektoresitusi. Mudelis kombineeritakse sessiooni jooksul külastatud toodete vektoresitused, selleks et ennustada järgmise toote vektoresitust. Selline lahendus võimaldab lisada tootekataloogi uusi tooteid ilma mudelit uuesti treenimata. Täiendavalt kasutatakse kasutaja sessiooni tema eelistuste modelleerimiseks, mis tähendab, et ennustatud järgmine toode sõltub kasutaja varasematest interaktsioonidest ja seega on tegemist isikupärase ennustusega. Eksperimendid viidi läbi Amazoni kasutajaarvustuste andmestiku peal ning tulemusi võrreldi GRU4Rec ja TransRec mudelitega. Pakutud lahendus saavutas võrreldavaid või paremaid tulemusi kui varasemad parimad mudelid ning võimaldab seejuures lihtsustada uute toodete või kasutajate lisamist.
Lõputöö keel
inglise
Lõputöö tüüp
Magister - Informaatika
Juhendaja(d)
Tambet Matiisen, Carlos Bentes
Kaitsmise aasta
2019