Презентация Янукевич Влад

1.

РАЗРАБОТКА ГИБРИДНОЙ
РЕКОМЕНДАТЕЛЬНОЙ СИСТЕМЫ
ДЛЯ МАРКЕТПЛЕЙСА
ЯНУКЕВИЧ ВЛАДИСЛАВ ВОЙТЕХОВИЧ
Дипломная работа
студента 4 курса, учебной группы СЗС-ИСИТ-221,
cпециальности 1-40 05 01
«Информационные системы и технологии (в экономике)»
заочной формы обучения
Научный руководитель
Русилко Татьяна Владимировна,
заведующий кафедрой МИОЭС,
кандидат физ.-мат. наук, доцент
Гродно, 2026

2.

ЦЕЛЬ — разработать гибридную рекомендательную
систему
для
маркетплейса
и
обосновать
её
эффективность на основе теоретического исследования,
проектирования архитектуры и экспериментальной оценки.
ЗАДАЧИ
1
Исследовать теоретические основы
рекомендательных систем.
2
Проанализировать специфику
маркетплейсов как предметной области.
3
Сформулировать требования
к гибридному решению.
4
Разработать математическую
модель ранжирования.
5
Реализовать программный прототип
и оценить качество рекомендаций.
2

3.

ПОТРЕБНОСТЬ В ПЕРСОНАЛИЗАЦИИ
ПОЛЬЗОВАТЕЛЬСКОГО ОПЫТА
ВЫСОКАЯ
КОНКУРЕНЦИЯ
СРЕДИ ПЛАТФОРМ
ЭЛЕКТРОННОЙ
КОММЕРЦИИ
УВЕЛИЧЕНИЕ
АССОРТИМЕНТА
ТОВАРОВ
РОСТ ОБЪЕМОВ
ЦИФРОВОЙ
ТОРГОВЛИ
3
АКТУАЛЬНОСТЬ
НОВИЗНА
ОГРАНИЧЕНИЯ
ОДИНОЧНЫХ
МОДЕЛЕЙ
Адаптация известных гибридных принципов к архитектуре маркетплейса
Чёткое разграничение реализованного прототипа и перспективных расширений

4.

ОБЪЕКТ
ИССЛЕДОВАНИЯ
—
процессы
персонализации контента и товаров в информационной системе
маркетплейса.
ПРЕДМЕТ ИССЛЕДОВАНИЯ — методы, модели и
программные средства построения гибридной рекомендательной
системы для маркетплейса.
ЦЕЛЕВАЯ АУДИТОРИЯ — маркетплейсы, интернетмагазины, платформы электронной
рекомендательных сервисов.
коммерции,
разработчики
4

5.

СОДЕРЖАНИЕ
РАБОТЫ
1
Теоретические основы
исследования рекомендательных
систем для маркетплейсов
2
Проектирование гибридной
рекомендательной системы
3
Разработка прототипа
и экспериментальная оценка
результатов
5

6.

ОБОСНОВАНИЕ ВЫБОРА
ГИБРИДНОГО ПОДХОДА
Класс алгоритмов
Преимущества
Ограничения
Типичные
сценарии
Однообразие;
зависимость от
качества
атрибутов
Главная, карточка
товара, подбор
похожих объектов
Коллаборативные
Выявляют скрытые
паттерны поведения;
высокая точность
Холодный старт;
разреженность
матрицы
Персональная
лента, блок
рекомендаций
после истории
покупок
Знания
ориентированные
Учитывают
ограничения
предметной области
и бизнес-правила
Требуют ручной
настройки правил
Финальное
ранжирование,
фильтрация выдачи
Гибридные
Сочетают сильные
стороны нескольких
подходов
Архитектурная
сложность,
высокая стоимость
поддержки
Промышленные
маркетплейсы и
крупные каталоги
Контентные
Работают для новых
товаров; высокая
объяснимость
Таблица 1.2 – Сравнительная характеристика
основных классов алгоритмов рекомендаций
6

7.

Проблемы качества рекомендаций
ДАННЫЕ
МОДЕЛИ
КАТАЛОГ
шум событий
холодный старт
длинный хвост
пропуски
редкое обновление
новые SKU
смещение популярности
ИНФРАСТРУКТУРА
рост нагрузки
UX
сезонность
СНИЖЕНИЕ
КАЧЕСТВА
РЕКОМЕНДАЦИЙ
БИЗНЕСС-ПРАВИЛА
задержка ответа
однообразие
недоступные товары
редкое обновление
низкая объяснимость
конфликт KPI
рост нагрузки
слабый coverage
ограничения витрин
Рисунок 1.1 – Диаграмма Исикавы. Проблемы рекомендательных систем
7

8.

МЕТРИКИ ОЦЕНКИ
Метрика
Назначение