CC BY
77
УДК 681.513.685
Филиппов С.А., Захаров В.Н.
Федеральный исследовательский центр "Информатика и Управление" Российской академии наук,
г. Москва, Россия
ОЦЕНКА ЭФФЕКТИВНОСТИ МЕТОДА ПОВЫШЕНИЯ ПЕРТИНЕНТНОСТИ ИНФОРМАЦИИ В РЕКОМЕНДАТЕЛЬНЫХ СИСТЕМАХ ПОДДЕРЖКИ ЖИЗНЕОБЕСПЕЧЕНИЯ НА ОСНОВЕ НЯВНЫХ ДАННЫХ
АННОТАЦИЯ
В статье предложен подход к оценке эффективности метода повышения пертинентности информации, работающего с неявными большими данными пользователей, на основе результатов экспериментальных исследований программной реализации метода, внедрённой в действующий интернет-магазин Thaisoap. Работа выполнена при поддержке Министерства образования и науки РФ, уникальный идентификатор проекта RFMEFI60414X0139.
КЛЮЧЕВЫЕ СЛОВА
Пертинентность, коллаборативная фильтрация, интернет-магазин, рекомендательная система, неявные данные.
Philippov S.A., Zakharov V.N.
Federal Research Center "Computer Science and Control", Russian Academy of Sciences, Moscow, Russia
EVALUATION OF THE EFFECTIVENESS OF THE PERTINENCE METHOD THAT INCREASE SALES FOR E-COMMERCE RECOMMENDER SYSTEMS BASED ON REAL
IMPLICIT DATA
ABSTRACT
This article proposes an approach to the evaluation of the effectiveness of the method that increase pertinence of information, using users implicit big data, based on the results of experimental studies of software implementation of the method are embedded in the real online store Thaisoap. This work was supported by the Ministry of Education and Science of the Russian Federation. A unique identifier RFMEFI60414X0139 project.
KEYWORDS
Pertinence, collaborative filtering, e-commerce recommender system, implicit data targeting.
Еще на заре электроннои коммерции в 1998 году основатель Amazon.com Джефф Безос объявил о необходимости персонализации информационного предложения фразои «Если мы имеем 4,5 млн покупателеи... мы должны иметь 4,5 млн магазинов» [1]. На практике, основными целями использования персонализации являются:
1. Предоставление релевантного контента. Персонализация содержимого сайтов позволяет упростить процесс нахождения необходимой информации пользователями, а также повышает общую эффективность сайтов;
2. Адресная (целевая) реклама или таргетинг. Выстраивание рекламы в зависимости от потребностей конкретных групп пользователей, основанное на истории их взаимодействия с сайтом. Существует большое количество видов адресной рекламы, наиболее перспективным из которых является поведенческий таргетинг (формирование рекламных предложений на базе поведенческого профиля пользователя).
В целом все методы персонализации можно разделить на две большие группы: персонализация, основанная на правилах и персонализация, основанная на алгоритмах. Персонализация саитов, основанная на правилах - это практика использования исторических, географических, демографических и других данных для формирования предложении, основанных на предопределенных правилах. Типичным вариант персонализации, основанньш на правилах принимает форму «если пользователь совершает деиствие X, то показывать предложение Y». Например, если пользователь саита переходит в раздел подержанных автомобилеи, то ему
предлагается посетить сайты автосервисов (или продавцов автомобильных комплектующих), расположенных на удалении не более 50 км от местоположения пользователя. Персонализация, основанная на правилах, применима в том случае, когда пользователи могут быть разделены на группы (сегментированы) с явно выраженными признаками (например, сообщества владельцев автомобилеи конкретных марок). Для сегментации пользователеи и формирования адресных предложении, как правило, используются специализированные сервисы (например, Airee.co и Monoloop.com).
Персонализация, основанная на алгоритмах, использует предикативные модели, учитывающие самые разные сведения о пользовательскои активности с целью формирования контента, которыи наиболее полно отражает ожидания пользователеи. Данныи подход считается наиболее эффективным на сегодняшнии день, но требует значительных вычислительных ресурсов, как для хранения поведенческих данных, так и для их обработки, анализа и выработки рекомендации. Подобные алгоритмы составляют основу рекомендательных систем, реализующих с целью выработки рекомендации анализ поведенческих привычек пользователеи или оценку близости товаров по реитингу их популярности у пользователеи.
Небезосновательно считается, что предоставление персонализированного контента пользователям позволяет существенно повысить эффективность саитов, которая выражается в терминологии маркетинга таким показателем как конверсия (число посетителеи, совершивших полезные с точки зрения владельца системы деиствия к общему числу посетителеи, выраженное в процентах). Для качественнои персонализации саитов, ориентированных на работу с большои аудиториеи пользователеи, как правило, используется комплексныи подход, сочетающии маркетинговые исследования и анализ поведения конкретных посетителеи саитов. Информацию о маркетинговых качествах посетителеи можно получить, в том числе используя системы веб-аналитики, такие как Adobe Digital Marketing Suite или Google Analytics вместе с Siteapps.com. В сфере электроннои коммерции основным инструментом персонализации контента являются рекомендательные системы, обеспечивающие автоматическую обработку данных о пользовательскои активности и выработку рекомендации на товары и услуги, которые могут быть интересны конкретным пользователям [2]. Исходными данными для анализа поведения пользователеи являются сведения об их активности, которые могут собираться явным или неявным образом. Явным образом получают персональные данные при регистрации, покупках, выставлении пользователем оценок тем или иным объектам на саитах, в результате голосовании и опросов, другие данные, связанные с уже принятыми пользователем решениями. При этом основное количество информации о пользовательскои активности собирается неявным образом посредством протоколирования их деиствии, т.е. процесса принятия решении. Результаты могут записываться в log фаилы (системные журналы) или специализированные базы данных. Предметом отслеживания являются переходы пользователеи по ссылкам на саитах, время их пребывания на отдельных страницах, факты покупки товаров и услуг, географическое местоположение и т.п. Необходимо отметить, что, речь идет об огромных массивах данных, которые являются неоднородными и достаточно сложными для интерпретации.
В связи с большими объемами и неоднородностью данных о пользовательскои активности, при исследовании этих данных часто используются методы интеллектуального анализа данных (Data Mining). Данные методы предназначены для выявления скрытых (или ранее неизвестных) знании в исследуемых наборах данных (как правило, слабо структурированных). Знания, полученные посредством применения методов интеллектуального анализа данных, как правило, представляются в виде закономерностеи (паттернов). В качестве них могут выступать ассоциативные правила, деревья решении, кластеры, математические функции. Наиболее распространенные задачи Data Mining - классификация, кластеризация, ассоциация, прогнозирование и визуализация. Одним из наиболее быстро развивающихся направлении в Data Mining является анализ связеи между данными (link analysis), которое имеет приложения в таких областях как биоинформатика, цифровые библиотеки и защита против терроризма [3]. Все методы анализа данных, используемые в Data Mining, можно разделить на две большие группы: статистические методы и кибернетические методы. К статистическим методам относятся дескриптивныи анализ и описание исходных данных, анализ связеи (корреляционныи и регрессионныи анализ, факторныи анализ, дисперсионныи анализ), многомерныи статистическии анализ (кластерныи анализ, компонентныи анализ, дискриминантныи анализ, многомерныи регрессионныи анализ, канонические корреляции и др.), анализ временных рядов (динамические модели и прогнозирование). К группе кибернетических методов относятся искусственные неиронные сети (распознавание, кластеризация, прогноз), эволюционное программирование (в т. ч. алгоритмы метода группового учета аргументов), генетические алгоритмы (оптимизация),
ассоциативная память (поиск аналогов, прототипов), нечеткая логика, деревья решении, системы обработки экспертных знании [3, 4]. В современных рекомендательных системах для формирования предикативнои модели часто используются подходы, использующие алгоритмы интеллектуального анализа данных. В частности, хорошее распространение в этои области получило использование кластерного анализа.
Для выявления пользовательских предпочтении рекомендательные системы собирают и анализируют большое количество данных о пользователях, включая их географическое местоположение, время пребывания на различных страницах целевого ресурса, переходы по ссылкам, ассортимент покупок и многое другое. Собранные данные о пользовательскои активности характеризуются большим объемом и разнородностью, а также быстрым изменением (обновлением) во времени. Традиционные базы данных малоприменимы для работы с этими данными по причине больших объемов данных и повышенных требовании к производительности [5]. Как правило, используются так называемые NoSQL системы управления данными (HBase, Cassandra). Их характерными особенностями являются отказ от транзакции, практически линеиная масштабируемость, высокая скорость обработки запросов, отсутствие жесткои схемы данных.
Необходимо отметить, что адаптация под конкретного пользователя - весьма сложная задача, поскольку для ее решения необходимо принимать во внимание как присущие человеку неопределенность и спонтанность в рамках конкретного интернет-ресурса, так и множество неопределенностеи, связанных с особенностями функционирования сети Интернет. В контексте проблемы персонализации контента (а также прогнозирования, выявления предпочтении и групп схожих ресурсов) встает задача обработки собранных данных и выявления определенных закономерностеи, позволяющих сделать выводы о конкретных предпочтениях пользователеи. Таким образом, основнои целью обработки данных о пользовательскои активности является извлечение полезнои информации, которая может, в свою очередь, использоваться для решения следующих задач:
• кластеризация информационных единиц (в случае электронной коммерции - товаров);
• формирование поведенческих профилей пользователей (обобщение всей совокупности явных и неявных данных);
• кластеризация профилей пользователей;
• формирование для пользователя персонального информационного предложения из набора информационных единиц.
Таким образом основная задача рекомендательнои системы - формирование контента, максимально соответствующего ожиданиям, в том числе неявным, конкретного пользователя. Для решения этои задачи в большинстве современных рекомендательных систем используются следующие базовые подходы: коллаборативная фильтрация (collaborative filtering, CF) и контентная фильтрация (content-based filtering, CbF) [6]. Метод контентнои фильтрации фокусируется на выявлении объектов со схожими характеристиками по отношению к тем объектам, которые уже заинтересовали пользователя. При этом учитывается модель поведения пользователя и характеристики (контент) заинтересовавших его объектов. При выработке рекомендации выявляются объекты со схожими характеристиками (контентом). Для эффективнои работы метода контентнои фильтрации, как правило, необходимо подробное описание характеристик объектов (так в проекте Music Genome Project музыкальным аналитик оценивает каждую композицию по сотням различных музыкальных характеристик), а также сведения о конкретном пользователе (например, ответы на конкретные вопросы в анкете).
В основе метода коллаборативнои фильтрации лежит предположение о консервативности пользовательских предпочтении (т.е. пользователи, одинаково оценивающие определенные объекты, скорее всего аналогичным образом будут оценивать и новые объекты со сходными характеристиками) [7]. По существу, рекомендации базируются на автоматическом сотрудничестве множества пользователеи и на выделении (методом фильтрации) тех пользователеи, которые демонстрируют схожие предпочтения или шаблоны поведения. Таким образом, метод коллаборативнои фильтрации вырабатывает рекомендации, основанные на модели предшествующего поведения пользователя и с учетом поведения пользователеи со схожими характеристиками.
Наибольшее распространение в сфере электроннои коммерции получили рекомендательные системы, использующие следующие варианты реализации метода коллаборативнои фильтрации, а также их гибриды:
• коллаборативная фильтрация посредством анализа предпочтений групп пользователей со схожими интересами (User-User Collaborative Filtering, User-User CF);
• коллаборативная фильтрация посредством анализа взаимосвязей между объектами (Item-
Item Collaborative Filtering, Item-Item CF).
Основными проблемами, связанными с реализацией и практическим использованием алгоритмов коллаборативнои фильтрации, являются разреженность данных, проблема «холодного старта» и масштабируемость. Дополнительно к перечисленным проблемам можно отметить проблему ограничения разнообразия предложении. Рекомендательные системы, использующие коллаборативную фильтрацию, склонны предлагать товары уже пользующиеся популярностью, что создает проблемы для продвижения новых товаров и услуг [8].
В методе User-User CF определяется сходство между пользователями и в качестве рекомендации пользователю выдается n самых часто покупаемых товаров k наиболее похожими на него покупателями. Для оценки степени схожести пользователеи в плане их предпочтении могут использоваться различные функции сходства (метрики). Наиболее популярными среди них являются: евклидово расстояние, косинусная мера, расстояние Хэмминга, коэффициент корреляции Пирсона, коэффициент Танимото, Манхэттенское расстояние и так далее [5, 7]. Определение рекомендации методом User-User CF предполагает построение матрицы активности пользователеи, каждая строка которои описывает деиствия конкретного пользователя применительно к конкретному объекту (категория, товар, услуга) на саите. Деиствия пользователеи могут обозначаться самыми различными способами. Например, это может быть бинарная информация о посещении или не посещении заданного ресурса данным пользователем, частота (или число) пользовании ресурса R пользователем U, стоимость или реитинг, проставленныи пользователем U для ресурса R и т.д. Таким образом, каждая строка матрицы активности представляет собои вектор оценок, соответствующих различным категориям товаров (тематическии профиль пользователя). Профиль пользователя характеризует степень его интереса к каждои группе товаров. Для каждои пары «пользователь-объект (товар, услуга, деиствие)» в матрице активности вычисляется мера близости с использованием выбраннои метрики [9].
Для поиска рекомендации конкретному пользователю на основании его поведенческого профиля используются три основных подхода: основанньш на соседстве (memory based), основанньш на модели (model based) и гибридныи подход (hybrid). В современных коммерческих системах наибольшее распространение получили гибридныи подход и подход, основанныи на использовании моделеи (алгоритмы кластеризации, баиесовские сети доверия, латентные семантические модели). Для выявления групп объектов (пользователи, товары, целевые группы) со схожими характеристиками часто используются различные алгоритмы кластеризации. В частности, в работе [10] указывается, что проблема идентификации групп пользователеи по своеи природе опирается на использование методов кластеризации. Кластеризация данных может быть также использована для генерации профилеи пользователеи на основе информации о деиствиях каждого пользователя, а затем для формирования групп пользователеи на основе их профилеи. Метод Item-Item CF исторически появился как альтернатива методу User-User CF, призванная повысить производительность рекомендательных систем для тех магазинов, где число покупателеи существенно превышает количество товаров в каталоге [11]. Первоначально данныи метод был предложен компаниеи Amazon для решения следующих основных проблем подхода UserUser CF: проблема «холодного старта» и проблема частого обновления данных о пользовательскои активности. Проблема «холодного старта» существенно снижает качество работы рекомендательнои системы вследствие отсутствия данных о предпочтениях новых (или мало активных) пользователеи. Проблема частого обновления данных о пользовательскои активности (в случае компании Amazon речь идет о миллионах покупателеи) резко снижает производительность рекомендательнои системы в целом.
Основная идея метода Item-Item CF заключается в группировке информационных единиц (товары, услуги, деиствия), имеющих сходные оценки пользователеи (реитинги). Рекомендации вырабатываются по следующему принципу: пользователю, высоко оценившему объект X, будет предложен объект Y, которыи высоко оценили другие пользователи, также высоко оценившие и объект X. Использование метода Item-Item CF позволяет повысить качество рекомендации для новых пользователеи (нет критическои зависимости от данных о пользовательских предпочтениях), а также значительно повышает производительность рекомендательнои системы в случае, когда количество пользователеи существенно превышает количество объектов (характеристики объектов меняются реже). В отличие от метода User-User CF, где вычисление степени близости в парах «пользователь-объект», как правило, производится в реальном времени (так как данные о текущеи транзакции становятся доступными только в момент выработки рекомендации), для метода Item-Item CF степень близости анализируемого товара ко всем остальным товарам может быть вычислена в отложенном режиме по расписанию, так как вектора
рейтингов всех товаров доступны до момента формирования рекомендации. Таким образом, благодаря возможности проведения отложеннои обработки данных, метод Item-Item CF оказывается более эффективным с точки зрения времени формирования рекомендации. При этом качество рекомендации в среднем не хуже, чем в случае использования подхода, основанного на анализе пользовательских профилеи. Для вычисления попарнои близости информационных единиц могут использоваться те же метрики, что и в случае с парами «пользователь-объект» (часто используется косинусная или модифицированная косинусная меры). Для поиска рекомендации на основании матрицы объектов часто используются весовые функции и методы регрессионного анализа. Одним из перспективных методов решения задачи Item-Item CF является метод Item2Vec [12].
Основным недостатком метода Item-Item CF при его практическом использовании является проблема формирования достоверного реитинга информационных единиц (товаров). Такои реитинг может быть сформирован при наличии большого количества пользователеи, которые либо регулярно покупают различные товары (что непосредственно влияет на реитинг), либо явным образом участвуют в формировании их реитинга (например, выставляя им оценки или заполняя анкеты). Для небольших Интернет магазинов, имеющих ограниченное число посетителей такои подход слабо применим. В то же время метод User-User CF с точки зрения качества рекомендации сильно зависит от наличия данных о пользовательскои активности, и проблема «холодного старта» для него стоит достаточно остро. В целом получается, что по отдельности методы Item-Item CF и User-User CF используют только часть собираемои рекомендательными системами информации о пользовательскои активности и предпочтениях при выработке рекомендации. Более эффективным может быть использование гибридных подходов. Так, например, в работе [13] предлагается алгоритм комбинированнои фильтрации, основная идея которого заключается в получении оценки неизвестного реитинга как взвешеннои суммы оценок на основании фильтрации по транзакциям, фильтрации по товарам и смешеннои фильтрации (на основании реитингов похожих товаров в похожих транзакциях).
Авторами по итогам проведенных прикладных научных исследовании предложен собственныи метод повышения пертинентности информации (персонализации предложения), сочетающии сильные стороны обоих рассмотренных выше методов коллаборативнои фильтрации и позволяющии более полно использовать доступную информацию о пользователях и информационных единицах (интернет-ресурсах), в первую очередь неявные данные о пользователе.
Суть предложенного метода заключается в совместном использовании методов Item-Item CF и User-User CF для формирования персонального информационного предложения. Для новых пользователеи или пользователеи с нерепрезентативнои историеи посещении предлагается генерировать рекомендации, базируясь на данных о подобии информационных единиц (метод Item-Item CF). Таким образом, решается проблема «холодного старта» и повышается качество рекомендации для малоактивных пользователеи, а также пользователеи со слабо выраженными предпочтениями. По мере накопления данных о пользовательских предпочтениях и формировании его поведенческого профиля предпочтение предлагается отдавать оценкам, полученным с использованием метода User-User CF, исходя из гипотезы, что при наличии качественных поведенческих профилеи пользователеи данныи метод позволяет более точно предсказывать их предпочтения. При этом при необходимости рекомендации могут дополняться предложениями информационных единиц, полученными на основе их реитинга популярности.
В целях проверки результатов теоретических исследовании составные части метода повышения пертинентности информации были применены к реальным данным деиствующего интернет-магазина Thaisoap. Магазин ориентирован на продажу натуральнои таискои косметики и кокосового масла. Каталог товаров магазина содержит более 1 500 наименовании товаров, разбитых на 180 классов (44 корневых класса, 136 подклассов). Ежедневно магазин посещают в среднем около 1 500 посетителеи и проводят на нем (в среднем) порядка 11 минут каждьш (на каждого посетителя приходится в среднем 28 переходов по ссылкам). Для исследовании использовались тестовая выборка данных за одно полугодие (IV полугодие 2015 года), в котором каталог товаров был неизменен, а также статистические данные, полученные при помощи аналитическои системы Яндекс.Метрика (http://metrika.yandex.ru). Исследования подтвердили адекватность и непротиворечивость результатов кластеризации информационных единиц и пользовательских профилеи [14, 15].
Тем не менее указанные исследования не могли определить эффективность предложенного метода в силу отсутствия информации о воздеиствии на пользователя персонального информационного предложения, формируемого в результате применения метода.
Здесь необходимо ответить, что одним из наиболее распространенных подходов к определению эффективности методов, применяемых в рекомендательных системах интернет-магазинов, является оценка среднеи наполненности покупательскои корзины до и после использования рекомендательнои системы. Существующие исследования дают довольно большои разброс результатов измерении. Но сходятся все они в том, что в любых случаях наблюдается рост среднеи наполненности покупательскои корзины, которыи может составлять 12-60% [16]. При этом наблюдается значительная дифференциация по типам товаров. Так для бытовои техники и электроники эффект использования рекомендательных систем, как правило, минимален. Для книг и спортивных товаров, напротив, эффект близок к максимальному. Непосредственно на эффективность влияет такои параметр как покрытие, определяющии насколько полно имеющиися ассортимент товаров и услуг охватывается при выработке рекомендации. Косвенное влияние на эффективность оказывает качество работы рекомендательнои системы. Чем более полезные рекомендации вырабатываются, тем больше доверие и лояльность пользователеи интернет-магазину. Доверие пользователеи является фактором, которыи может играть существенное значение в долгосрочнои перспективе.
В силу отсутствия возможностеи оценить метод в долгосрочном периоде было принято решение о проведении сплит-тестирования, т.е. организовать сравнение поведения пользователеи интернет-магазина Thaisoap на базе четырех сценариев: при отсутствии персонального информационного предложения, при наличии только предложении Item-Item CF, только User-User CF и при наличии персонального информационного предложения, полностью соответствующего разработанному авторами методу повышения пертинентности информации.
Исследования были проведены на основе экспериментального программного комплекса, реализующего каждыи из четырех сценариев. На тестирование каждого сценария был выделен месяц в период с февраля по маи 2016 года. При этом каталог товаров оставался неизменным (т.е. не изменялась номенклатура товаров, предлагаемых посетителям магазина). Одним из условии проведения сравнительного анализа являлась работа «с чистого листа», т.е. в начале каждого месячного отрезка времени не использовались данные о пользовательских предпочтениях или реитингах информационных единиц, накопленные за предыдущие периоды времени. В первом сценарии (без персонального информационного предложения) было выявлено 1860 посетителеи, из которых 140 человек совершили покупки (конверсия 7,5%). Средняя наполненность корзины при этом составила 1,5 товара. При навигации по саиту посетители совершали в среднем 36 кликов в рамках однои сессии и проводили на саите в среднем порядка 16 минут.
Во втором сценарии (метод Item-Item CF) было выявлено 1908 посетителеи, из которых покупки совершили 164 человека (конверсия 8,6%). Средняя наполненность корзины при этом составила 2,1 товара. При навигации по саиту посетители совершали в среднем 31 клик в рамках однои сессии и проводили на саите в среднем около 12 минут.
В третьем сценарии (метод User-User CF) было выявлено 1873 посетителя, из которых 145 человек совершил покупки (конверсия 7,7%). Средняя наполненность корзины при этом составила 1,9 товара. При навигации по саиту посетители совершали в среднем 32 клика в рамках однои сессии и проводили на саите в среднем около 14 минут.
В последнем сценарии (метод повышения пертинентности информации) было выявлено 2011 посетителеи, из которых 183 человека совершили покупки (конверсия 9,1%). Средняя наполненность корзины при этом составила 2,4 товара. При навигации по саиту посетители совершали в среднем 28 кликов в рамках однои сессии и проводили на саите в среднем около 11 минут.
Анализ полученных результатов исследования позволяет сделать следующие основные выводы:
Использование рекомендательнои системы в рассматриваемых сценариях позволило повысить среднюю наполненность корзины и сократить время, затрачиваемое посетителями на поиск интересующих их товаров. Так среднее время пребывания посетителеи на саите сокращалось в различных сценариях от 16 до 14-11 минут. При этом в сценариях с использованием рекомендательнои системы увеличивается средняя наполненность корзины, что напрямую влияет на среднюю величину чека и непосредственные доходы магазина.
Метод User-User CF показал себя малоэффективным на рассматриваемом интервале времени (один месяц). Основнои причинои этого является низкое качество рекомендации, связанное с недостаточностью данных о пользовательских предпочтениях.
Метод Item-Item CF показал себя достаточно эффективным за счет успешного решения проблемы «холодного старта». По сравнению с первым сценарием конверсия увеличилась более чем на 1%, средняя наполненность корзины увеличилась с 1,5 до 2,1.
Рекомендательная система на базе комбинированного подхода позволила получить наибольшии прирост рассматриваемых показателей Так конверсия выросла более чем на 1,5% по сравнению с первым сценарием, а средняя наполненность корзины выросла с 1,5 до 2,4 (т.е. более чем на 35%).
В целом необходимо отметить, что эффективность рекомендательнои системы сильно зависит как от типов продаваемых товаров, так и от особенностеи используемых алгоритмов и качества реализации рекомендательнои системы. В определенных ситуациях рекомендательная система может не давать заметное повышение показателеи конверсии и среднеи наполненности товарнои корзины. Тем не менее, она остается полезнои, так как предлагает более удобныи и простои для посетителеи способ поиска интересующих их товаров, тем самым создавая удобное окружение и повышая лояльность посетителеи интернет-ресурсу, что уже в среднесрочнои перспективе может обеспечить возвраты пользователеи, формирование пула постоянных покупателеи, обеспечивающих стабильныи рост выручки интернет-магазина.
Литература
1. Walker L. Amazon Gets Personal With E-Commerce // Washington Post Staff Writer Sunday, November 8, 1998; Page H1. URL: http://www.washingtonpost.com/wp-srv/washtech/daily/nov98/amazon110898.htm
2. С.А.Филиппов, В.Н.Захаров, С.А.Ступников, Д.Ю.Ковалев Подходы к повышению пертинентности информационного предложения в медиасервисах на основе обработки больших объемов данных // Ceur workshop proceedings, Vol-1536, Selected Papers of the XVII International Conference on Data Analytics and Management in Data Intensive Domains (DAMDID/RCDL 2015) Obninsk, Russia, October 13-16, 2015, p. 114-118.
3. Барсегян А.А., Куприянов М.С., Степаненко В.В., Холод И.И. Методы и модели анализа данных: OLAP и Data Mining //СПб.: БХВ-Петербург, 2004. — 336 с.
4. Лекция: Методы и стадии Data Mining // Статья в сети Интернет, URL: http://www.intuit.ru/studies/courses/6/6/lecture/162?page=1.
5. С.А.Филиппов, В.Н.Захаров, С.А.Ступников, Д.Ю.Ковалев Организация больших объемов данных в рекомендательных системах поддержки жизнеобеспечения, входящих в состав глобальных платформ электронной коммерции // Сeur workshop proceedings, Vol-1536, Selected Papers of the XVII International Conference on Data Analytics and Management in Data Intensive Domains (DAMDID/RCDL 2015) Obninsk, Russia, October 13-16, 2015, p. 119-124.
6. М. Тим Джонс Рекомендательные системы: Часть 1. Введение в подходы и алгоритмы // Библиотека IBM, 2013. URL: http://www.ibm.com/developerworks/ru/library/os-recommender1/.
7. Xiaoyuan Su, Taghi M. Khoshgoftaar A survey of collaborative filtering techniques // Advances in Artificial Intelligence, Volume 2009 (2009), Article ID 421425, 19p.
8. Fleder D., Hosanagar K. Blockbuster Culture's Next Rise or Fall: The Impact of Recommender Systems on Sales Diversity // Management Science, Vol. 55, No. 5, May 2009, pp. 697-712.
9. Брейкин Е. А. Рекомендательная система на основе коллаборативной фильтрации // Молодой ученый. — 2015. — №13. — С. 31-33.
10. Марманис Х., Бабенко Д. Алгоритмы интеллектуального Интернета // СПб.-М.: Символ, 2011. - 466 с.
11. Greg Linden, Brent Smith and Jeremy York Amazon.com recommendations: Item-to-Item Collaborative Filtering // Industry Report, IEEE INTERNET COMPUTING, 2003.
12. Barkan O., Koenigstein N. Item2Vec: Neural Item Embedding for Collaborative Filtering // arXiv preprint arXiv:1603.04259, Mar 2016.
13. Гончаров Максим Системы выработки рекомендаций // Статья в сети Интернет. URL: http://www.businessdataanalytics.ru/RecommendationSystems.htm.
14. Филиппов С.А., Захаров В.Н., Ступников С.А., Ковалев Д.Ю. Метод определения подобия информационных единиц по неявным пользовательским предпочтениям в рекомендательных системах поддержки жизнеобеспечения // Аналитика и управление данными в областях с интенсивным использованием данных: XVIII Международная конференция DAMDID/RCDL'2016 (Ершово, Московская обл., 11 - 14 октября 2016 года, Россия): Труды конференции / Под. Ред. Л.А. Калиниченко, Я. Манолопулоса, С.О. Кузнецова. - М. ФИЦ ИУ РАН, 2016, с. 169 - 174. ISBN 978-5-94558-206-5.
15. Филиппов С.А., Захаров В.Н., Ступников С.А., Ковалев Д.Ю. Кластеризация профилей пользователей в рекомендательных системах поддержки жизнеобеспечения на основе реальных неявных данных // Аналитика и управление данными в областях с интенсивным использованием данных: XVIII Международная конференция DAMDID/RCDL'2016 (Ершово, Московская обл., 11 - 14 октября 2016 года, Россия): Труды конференции / Под. Ред. Л.А. Калиниченко, Я. Манолопулоса, С.О. Кузнецова. - М. ФИЦ ИУ РАН, 2016, с. 163 - 168. ISBN 978-5-94558-206-5.
16. Валерий Дьяченко Сервисы рекомендаций: как с их помощью увеличить продажи на 60% // Статья в сети Интернет, URL: http://www.kom-dir.ru/article/51-servisy-rekomendatsiy.
References
1. Walker L. Amazon Gets Personal With E-Commerce // Washington Post Staff Writer Sunday, November 8, 1998; Page H1. URL: http://www.washingtonpost.com/wp-srv/washtech/daily/nov98/amazon110898.htm
2. S. Philippov, V. Zakharov, S. Stupnikov, D. Kovalev, 2015. Approaches to Improve the Pertinence of Information in the Media Services on the Basis of Big Data Processing. Сeur workshop proceedings, Vol-1536 [Selected Papers of the XVII International Conference on Data Analytics and Management in Data Intensive Domains (DAMDID/RCDL 2015)] Obninsk, Russia, October 13-16, 2015, pp. 114-118.
3. Barsegyan A.A., Kupriyanov M.S., Stepanenko V.V., Kholod I.I. Metody i modeli analiza dannykh: OLAP i Data Mining //SPb.: BKhV-Peterburg, 2004. — 336 p.
4. Lektsiya: Metody i stadii Data Mining . URL: http://www.intuit.ru/studies/courses/6/6/lecture/162?page=1.
5. S. Philippov, V. Zakharov, S. Stupnikov, D. Kovalev, 2015. Organization of Big Data in the Global E-commerce Platforms Ceur workshop proceedings, Vol-1536 [Selected Papers of the XVII International Conference on Data Analytics and Management in Data Intensive Domains (DAMDID/RCDL 2015)] Obninsk, Russia, October 13-16, 2015, pp. 119-124.
6. M. Tim Dzhons Rekomendatel'nye sistemy: Chast' 1. Vvedenie v podkhody i algoritmy. URL: http://www.ibm.com/developerworks/ru/library/os-recommender1/.
7. Xiaoyuan Su, Taghi M. Khoshgoftaar A survey of collaborative filtering techniques // Advances in Artificial Intelligence, Volume 2009 (2009), Article ID 421425, 19p.
8. Fleder D., Hosanagar K. Blockbuster Culture's Next Rise or Fall: The Impact of Recommender Systems on Sales Diversity // Management Science, Vol. 55, No. 5, May 2009, pp. 697-712.
9. Breykin E. A. Rekomendatel'naya sistema na osnove kollaborativnoy fil'tratsii // Molodoy uchenyy. — 2015. — №13. — p. 31-33.
10. Marmanis Kh., Babenko D. Algoritmy intellektual'nogo Interneta // SPb.-M.: Simvol, 2011. - 466 p.
11. Greg Linden, Brent Smith and Jeremy York Amazon.com recommendations: Item-to-Item Collaborative Filtering // Industry Report, IEEE INTERNET COMPUTING, 2003.
12. Barkan O., Koenigstein N. Item2Vec: Neural Item Embedding for Collaborative Filtering // arXiv preprint arXiv:1603.04259, Mar 2016.
13. Goncharov M., 2010. Sistemy vyrabotki rekomendatsiy. URL: http://www.businessdataanalytics.ru/RecommendationSystems.htm.
14. Philippov S.A., Zakharov V.N., Stupnikov S.A., Kovalev D.Yu. Metod opredeleniya podobiya informatsionnykh edinits po neyavnym pol'zovatel'skim predpochteniyam v rekomendatel'nykh sistemakh podderzhki zhizneobespecheniya // Analitika i upravlenie dannymi v oblastyakh s intensivnym ispol'zovaniem dannykh: XVIII Mezhdunarodnaya konferentsiya DAMDID/RCDL'2016 (Ershovo, Moskovskaya obl., 11 - 14 oktyabrya 2016 goda, Rossiya): Trudy konferentsii / Pod. Red. L.A. Kalinichenko, Ya. Manolopulosa, S.O. Kuznetsova. - M. FITs IU RAN, 2016, s. 169 - 174. ISBN 978-5-94558-206-5.
15. Philippov S.A., Zakharov V.N., Stupnikov S.A., Kovalev D.Yu. Klasterizatsiya profiley pol'zovateley v rekomendatel'nykh sistemakh podderzhki zhizneobespecheniya na osnove real'nykh neyavnykh dannykh // Analitika i upravlenie dannymi v oblastyakh s intensivnym ispol'zovaniem dannykh: XVIII Mezhdunarodnaya konferentsiya DAMDID/RCDL'2016 (Ershovo, Moskovskaya obl., 11 - 14 oktyabrya 2016 goda, Rossiya): Trudy konferentsii / Pod. Red. L.A. Kalinichenko, Ya. Manolopulosa, S.O. Kuznetsova. - M. FITs IU RAN, 2016, s. 163 - 168. ISBN 978-5-94558-206-5.
16. D'yachenko V, 2016. Servisy rekomendatsiy: kak s ikh pomoshch'yu uvelichit' prodazhi na 60%. URL: http://www.kom-dir.ru/article/51-servisy-rekomendatsiy.
Поступила 21.10.2016
Об авторах:
Филиппов Станислав Александрович, старшии научныи сотрудник лаборатории Института проблем информатики Федерального исследовательского центра "Информатика и Управление" Россиискои академии наук, кандидат технических наук, stanislav@philippov.ru;
Захаров Виктор Николаевич, ученыи секретарь Федерального исследовательского центра "Информатика и Управление" Россиискои академии наук, доктор технических наук, VZakharov@ipiran.ru.
