magistrsko delo
Robert Cvitkovič (Avtor), Tomaž Curk (Mentor)

Povzetek

Klasični priporočilni sistemi so zelo dobri pri napovedovanju preferenc uporabnikov, pri napovedovanju pa ne upoštevajo dejstva, da so zaloge nekaterih izdelkov omejene. V delu smo predstavili nekaj klasičnih pristopov modeliranja preferenc uporabnikov s pomočjo matričnega razcepa. Predstavili smo dinamičen in statičen priporočilni sistem, ki optimizirata porabo zaloge. Predlagali smo tudi hibridni model, ki lahko združi napovedi priporočilnega sistema, ki modelira preferenco, in priporočilnega sistema, ki optimizira porabo izdelkov. Poleg modela smo predstavili tudi način testiranja uspešnosti sistemov s pomočjo simulacije nakupovanja izdelkov. Priporočilne sisteme in simulacijo smo združili v knjižnico PyRec. Uspešnost implementiranih modelov smo testirali na podatkovni zbirki MovieLense 1M in zasebnih trgovskih podatkih. Pokažemo, da s predlaganim pristopom izboljšamo porabo zaloge klasičnih sistemov.

Ključne besede

priporočilni sistemi;zaloga izdelkov;razcep matrik;upoštevanje omejitev;računalništvo;računalništvo in informatika;magisteriji;

Podatki

Jezik: Slovenski jezik
Leto izida:
Tipologija: 2.09 - Magistrsko delo
Organizacija: UL FRI - Fakulteta za računalništvo in informatiko
Založnik: [R. Citkovič]
UDK: 004(043.2)
COBISS: 37228291 Povezava se bo odprla v novem oknu
Št. ogledov: 787
Št. prenosov: 157
Ocena: 0 (0 glasov)
Metapodatki: JSON JSON-RDF JSON-LD TURTLE N-TRIPLES XML RDFA MICRODATA DC-XML DC-RDF RDF

Ostali podatki

Sekundarni jezik: Angleški jezik
Sekundarni naslov: Recommending items from inventory
Sekundarni povzetek: Classic recommendation systems are very good at predicting user preferences but they do not take into account the fact that some products are limited by their inventory. In this thesis, we presented some classical approaches to modeling user preferences using matrix factorization. We presented a dynamic and a static recommendation system that optimizes inventory consumption. We also proposed a hybrid model that can combine the predictions of a recommendation system which models preference, and a recommendation system that optimizes product consumption. In addition to the model, we also presented a way to test the performance of systems using a product-shopping simulation. The recommended systems and simulation have been combined into the library PyRec. The performance of the implemented models was tested on the MovieLense 1M dataset and private commercial data. We show that with the proposed approach we can improve the stock consumption of classical systems.
Sekundarne ključne besede: recommender systems;inventory;matrix factorization;constraint satisfaction;computer science;computer and information science;master's degree;
Vrsta dela (COBISS): Magistrsko delo/naloga
Študijski program: 1000471
Konec prepovedi (OpenAIRE): 1970-01-01
Komentar na gradivo: Univ. v Ljubljani, Fak. za računalništvo in informatiko
Strani: 39 str.
ID: 12143205