Ανάπτυξη τεχνικών προτάσεων ηλεκτρονικού καταστήματος κάνοντας χρήση τεχνικών deep learning

Ένα από τα βασικά στοιχεία επιτυχίας στο τομέα του ηλεκτρονικού εμπορίου αποτελούν οι τεχνικές εξατομίκευσης (personalization). Παρόλο που από την γένεση σχεδόν του ηλεκτρονικού εμπορίου αναδείχθηκε η σημασία της εξατομίκευσης και σύμφωνα με έρευνες το 45% των χρηστών είναι πιθανότερο να πραγματοποιήσει μία αγορά σε ένα ηλεκτρονικό κατάστημα που προσφέρει υπηρεσίες τέτοιου είδους, παρατηρείται πως η εφαρμογή των τεχνικών αυτών δεν έχει ακόμα καθιερωθεί πλήρως, ειδικότερα σε καταστήματα μικρού ή μεσαίου μεγέθους. Οι αλγόριθμοι που συναντώνται στην βιβλιογραφία παρουσιάζουν αρκετές αδυναμίες, μεταξύ των οποίων το πρόβλημα έλλειψης αρχικών δεδομένων (cold start problem), και η έλλειψη σημασιολογική κατανόησης των προτάσεων. Παράλληλα η πληθώρα των δεδομένων που πλέον είναι διαθέσιμα εντείνει τα προβλήματα εφαρμογής σε μεγάλη κλίμακα (scalability) και κάνει αναγκαία την ανάπτυξη τεχνικών ανάλυσης για μεγάλα δεδομένα (big data).
Η παρούσα διπλωματική εργασία θα αναπτύξει μεθόδους προτάσεων (product recommendation) για το ηλεκτρονικό εμπόριο κάνοντας χρήση τεχνικών βαθιάς εκμάθησης (deep learning) και ειδικότερα ανατροφοδοτούμενων νευρωνικών δικτύων (recurrent neural network) τα οποία πρόσφατα έχουν αναδειχθεί στη σχετική βιβλιογραφία ως μία από τις αποτελεσματικότερες μεθόδους για χρήση σε συστήματα προτάσεων. Οι παραπάνω τεχνικές θα συνδυαστούν με κλασικές τεχνικές προτάσεων (collaborative filtering, preference elicitation) έτσι ώστε το τελικό σύστημα να παράγει αξιόπιστες προτάσεις τόσο σε δεδομένα από πολύ μεγάλα ηλεκτρονικά καταστήματα, αλλά ακόμα και όταν τα διαθέσιμα σύνολα δεδομένων είναι μικρότερα.
Τελικός στόχος είναι η ανάπτυξη ενός συστήματος που εξατομικεύει τις προτάσεις στον δικτυακό τόπο προτείνοντας στους χρήστες ενδιαφέροντα προϊόντα με βάση το ιστορικό πωλήσεων, τα διαθέσιμα προϊόντα, τα ενδιαφέροντα του χρήστη και τις συσχετίσεις των προϊόντων.

Προαπαιτούμενα

• Καλή γνώση προγραμματισμού
• Δομές και Βάσεις Δεδομένων
• Φαντασία και όρεξη για δουλειά

Εμπλεκόμενες Τεχνολογίες – Γνώσεις που θα αποκτηθούν

• Μέθοδοι εξατομίκευσης περιεχομένου
• Τεχνικές deep learning
• Νευρωνικά δίκτυα

Tags

deep learning, recurrent neural networks, recommendation, personalization, e-commerce

Επιβλέποντες

Επίκουρος καθηγητής: Ανδρέας Λ. Συμεωνίδης
Διδάκτωρ: Κωνσταντίνος Βαβλιάκης (kvavliak@issel.ee.auth.gr)