Рекомендательная система на основе статистического обучения для неавторизованных пользователей

Цель данного исследования показать, что использование статистического обучения как основы рекомендательной системы позволяет лучше выстроить персональное взаимодействие с клиентами, чем система, построенная на экспертной логике. Косинусная мера сходства была взята за основу разработки рекомендательной системы. Так как расчет этой меры имеет высокую вычислительную сложность, в статье был рассмотрен возможный путь решения данной проблемы. Матрица вероятности покупки одного продукта с другим была использована в модели взвешенных сумм с целью избежать ситуации когда непопулярный продукт может попасть в высокий приоритет рекомендации. В разработанном модуле модель взвешенных сумм является основой объединения матрицы косинусных мер сходства и вероятностей. Одним из самых популярных алгоритмов для построения персональных рекомендаций является алгоритм коллаборативной фильтраций, но он не эффективен когда невозможно идентифицировать пользователя в системе. Разработанный алгоритм, основанный на косинусной мере сходства, вероятностях и модели взвешенных сумм позволил построить рекомендательную систему, работающую на основе выбранных в корзине продуктов. Рекомендательный алгоритм на основе элементов показал преимущества использования подходов статистического обучения в задаче улучшения эффективности коммуникации с клиентами через мобильное приложение и веб-сайт. Интегрированный модуль рекомендаций показал, что развитие культуры, основанной на данных, это правильный путь для современных компаний.