Machine Learning as a method of adapting offers to the clients

• Autorzy: Bielecki Jacek , Ceglarski Oskar , Skublewska-Paszkowska Maria

Identyfikatory

DOI

10.35784/jcsi.1293

Warianty tytułu

PL

Uczenie maszynowe jako metoda dostosowywania ofert do klientów

• Języki publikacji: EN

Abstrakty

EN

Recommendation systems are class of information filter applications whose main goal is to provide personalized recommendations. The main goal of the research was to compare two ways of creating personalized recommendations. The recommendation system was built on the basis of a content-based cognitive filtering method and on the basis of a collaborative filtering method based on user ratings. The conclusions of the research show the advantages and disadvantages of both methods.

PL

Systemy rekomendacji to aplikacje filtrujące dane, których głównym zadaniem jest dostarczanie spersonalizowanych rekomendacji produktów. Celem badań było dokonanie analizy i porównania dwóch metod uczenia maszynowego wykorzystywanych do generowania rekomendacji. System rekomendacji zbudowano na podstawie metody filtrowania kognitywnego opartej o treści oraz na podstawie metody filtrowania kolaboratywnego opartej o oceny użytkowników. Wnioski z przeprowadzonych badań pokazują wady i zalety obu metod.

Słowa kluczowe

EN

recommender system; collaborative filtering; cognitive filtering; machine learning

PL

system rekomendacji; filtrowanie kolaboratywne; filtrowanie kognitywne; uczenie maszynowe

• Wydawca: Wydawnictwo Politechniki Lubelskiej
• Czasopismo: Journal of Computer Sciences Institute
• Rocznik: 2019
• Tom: Vol. 13
• Strony: 267--271
• Opis fizyczny: Bibliogr. 20 poz., fig., tab.

Twórcy

autor

Bielecki Jacek

• Politechnika Lubelska, Katedra Informatyki, Nadbystrzycka 36B, 20-618 Lublin, Polska

autor

Ceglarski Oskar

• Politechnika Lubelska, Katedra Informatyki, Nadbystrzycka 36B, 20-618 Lublin, Polska

autor

Skublewska-Paszkowska Maria

• Politechnika Lubelska, Katedra Informatyki, Nadbystrzycka 36B, 20-618 Lublin, Polska

Bibliografia

• [1] M. Beladev, L. Rokach, B. Shapira, Recommender systems for product bundling, Knowledge-Based Systems, 1 Nov. 2016.
• [2] A. Marwade, N. Kumar, S. Mundada, Augmenting E-Commerce Product Recommendations by Analyzing Customer Personality, Conference: 9th International Conference on Computational Intelligence and Communication Networks (CICN); 16-17 Sep. 2017.
• [3] J. Bobadilla, Recommender systems survey, Knowledge-Based Systems, 46 (2013), 109-132.
• [4] S. Jiang, Q. Xueming, S. Jialie, F. Yun, Author topic model-based collaborative filtering for personalized POI recommendations, IEEE transactions on multimedia 17:6 (2015), 907-918.
• [5] R. Burke. Hybrid recommender systems: survey and experiments, UMUAI, 12 (4) (2002), 331-370
• [6] S. Bag, SK. Kumar, MK. Tiwari, An efficient recommendation generation using relevant Jaccard similarity, Information Sciences, May 2019.
• [7] D. McIlwraith, M. Haralambos, B. Dmitry, Inteligentna sieć, Algorytmy przyszłości. Helion, Gliwice, 2017.
• [8] Natural Language Toolkit, https://www.nltk.org/api/nltk.html.
• [9] F. Xie , J. Wang , R. Xiong , N. Zhang, An Integrated Service Recommendation Approach for Service-Based System Development, Expert Systems With Applications, 2019.
• [10] B. K. Patra, R. Launonen, V. Ollikainen, S. Nandi, A new similarity measure using Bhattacharyya coefficient for collaborative filtering in sparse data, Knowledge-Based Syst. 82 (2015) 163–177.
• [11] H. J. Ahn, A new similarity measure for collaborative filtering to alleviate the new user cold-starting problem, Inf. Sci. (Ny). 178 (2008) 37–51.
• [12] M. Saeed, E.G. Mansoori, A new slope one based recommendation algorithm using virtual predictive items, Journal of Intelligent Information Systems, June 2018, Volume 50, Issue 3, pp 527–547
• [13] D. Lemire, A. Maclachlan, Slope One predictors for online rating-based collaborative filtering, SDM. SIAM, 2005 (Vol. 5 pp. 1–5)
• [14] W. Yongqiang, Y. Liang, C. Bing, Learning to Recommend Based on Slope One Strategy, Web Technologies and Applications. Proceedings of the 14th Asia-Pacific Web Conference, APWeb 2012 pp: 537-4.
• [15] QX. Wang, X. Luo, Y. Li, Incremental Slope-one recommenders, Neurocomputing, Volume 272, Journal of Computer Sciences Institute, 10 January 2018, pp 606-618
• [16] X. Luo., Y.-N. Xia, Q. Zhu, Incremental collaborative filtering recommender based on regularized matrix factorization, Knowl. Based Syst., 27 (2012), pp. 271-280
• [17] X. Luo., Y.-N. Xia, Q. Zhu, Y. Li, Boosting the K-nearest-neighborhood based incremental collaborative filtering, Knowl. Based Syst., 53 (2013), pp. 90-99
• [18] Nguyen P., Wang J., Kalousis A.: Factorizing LambdaMART for cold start recommendations. Machine Learning, 21 July 2016
• [19] T. Schreiner, A. Rese, D. Baie, Multichannel personalization: Identifying consumer preferences for product recommendations in advertisements across different media channels, Journal of Retailing and Consumer Services, May 2019
• [20] A. Fiasconaro, M. Tumminello, V. Nicosia, V. Latora, R. N. Mantegna, Hybrid recommendation methods in complex networks. American Physical Society, 14 July 2015.

Uwagi

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2019).