Doporučovací modely založené na obrázcích

Abstract

Cílem této práce je navrhnout, implementovat a porovnat několik content-based doporučovacích modelů, založených na různých metodách predikce obsahové podobnosti doporučovaných položek z jejich obrázků, se zaměřením na doporučování na webu a v prostředí online e-shopu. Tyto modely jsou navrženy jako alternativa k hojně využívaným modelům kolaborativního filtrování, které trpí řadou problémů jako je například cold-start problem. Pro predikci obsahové podobnosti obrázků jsou mimo jiné použity moderní přístupy založené na algoritmu ORB nebo učení umělých neuronových sítí. Úspěšnosti implementovaných modelů jsou následně offline testovány na reálných datasetech zaznamenaných uživatelských interakcí několika významných online e-shopů pomocí technik recall a catalog coverage. Model založený na umělé neuronové síti prokázal v offline testování nejlepší úspěšnost z navrhovaných modelů a byl nasazen do online A/B testu proti produkčnímu algoritmu, založeném na kolaborativním filtrování. Na testovaném vzorku 7435 uživatelů prokázal nově navržený model srovnatelnou proklikovost jako produkční algoritmus.

The aim of this thesis is to design, implement and compare set of new content-based recommender models, using image processing methods for item similarity extraction with focus on web and e-commerce recommendations. Proposed models are meant as an alternative for a widely used collaborative filtering-based recommender systems, which have set of problems, including cold-start problem. In this thesis, for image similarity extraction there will be used modern methods like ORB algorithm or artificial neural network. Proposed models will be offline tested in the latter part of this thesis on the recall and catalog coverage metrics on a real world e-shop datasets. Artificial neural network-based recommender model had the best results in offline tests out of all proposed models and took place in online A/B test against production collaborative filtering-based recommender model. Total number of 7435 users attended this test and proposed model based on artificial neural network showed comparable click through rate as the production collaborative filtering-based model.