У роботі описано інформаційну систему моніторингу та аналізу відгуків у соціальних мережах для формування рекомендацій щодо придбання товарів. Ця система призначена для пришвидшення та полегшення клієнтам пошуку необхідної продукції на ресурсах електронної комерції. Вдалий вибір якісного товару за бажаними критеріями вкрай важливий, оскільки це зменшує час пошуку та економить гроші клієнтів. Аналізуючи коментарі у мережі, інформаційна система рекомендує продукт, на який переважають позитивні відгуки.
Сформульовано мету роботи, об’єкт та предмет дослідження, висвітлено наукову новизну та практичне значення роботи. Проаналізовано особливості досліджуваної предметної області та відомих засобів вирішення проблеми. Як прототип системи формування рекомендацій на основі аналізу відгуків використано системи, які застосовують у сфері онлайн-маркетингу. На підставі характеристик системи порівняно з аналогами визначено, що система є унікальною, а її розроб- лення актуальне, оскільки відомі аналогічні системи не рекомендують товари користувачам на основі відгуків інших користувачів.
Визначено основну мету розроблення системи, описано призначення, місце застосування системи, її розроблення та впровадження. Визначено критерії визначення цілей. Методом аналізу ієрархій встановлено, що тип розроблюваного продукту – система підтримки прийняття рішень.
Розроблено концептуальну модель системи. Змодельовано вимоги до проєкту – бізнес-ви- моги, користувацькі вимоги, функціональні вимоги, нефункціональні вимоги. Визначено вхідні та вихідні дані системи.
В основу системи прийняття рішень покладено алгоритм аналізу настроїв користувачів соціальних мереж за допомогою методу логістичної регресії. Логістична регресія – це один із найпоширеніших алгоритмів машинного навчання, який легко реалізувати для класифікації наборів лінійно роздільних кластерів даних. Він швидко навчається на великих наборах даних і гарантує отримання надійних результатів.
Є підстави очікувати економічного, функціонального, фінансового та часового ефектів від упровадження такої рекомендаційної системи.
- Karagiannakos S. (2021). An introduction to Recommendation Systems: an overview of machine and deep learning architectures. AI Summer. https://theaisummer.com/recommendation-systems/.
- Kumar P. P., Vairachilai S., Sirisha P., Mohanty S. N. (2021). Recommender Systems: Algorithms and Applications. Boca Raton, London, New York: CRC Press.
- Лобур М. В., Шварц М. Є., Стех Ю. В. (2018). Моделі і методи прогнозування рекомендацій для колаборативних рекомендаційних систем. Вісник Національного універсистету “Львівська політехніка”. Серія: Інформаційні системи та мережі. 901, 68–75. https://science.lpnu.ua/sites/default/files/journal- paper/2019/feb/15581/181912maket-68-75.pdf.
- Мелешко Є. В. (2018). Проблеми сучасних рекомендаційних систем та методи їх рішення. Системи управління, навігації та зв’язку: зб. наук. праць. Полтава: Полтавський національний технічний університет, 4(50), 120–124. DOI: https://doi.org/10.26906/SUNZ.2018.4.120.
- Чередніченко О. Ю., Янголенко О. В., Іващенко О. В., Матвєєв О. М. (2020). Моделі формування рекомендацій у інтелектуальних системах електронної комерції. Національний технічний університет “Харківський політехнічний інститут”. Системи обробки інформації, 1(160), 32–39. DOI: 10.30748/soi.2020.160.04.
- Берко А. Ю., Висоцька В. В., Пасічник В. В. (2009). Системи електронної контент-комерції: монографія. Львів: Видавництво Національного університету “Львівська політехніка”.
- Висоцька В. (2018). Технології електронної комерції та Інтернет-маркетингу: монографія. LAP LAMBERT Academic Publishing.
- Краус К., Краус М., Манжура О. (2021). Електронна комерція та Інтернет-торгівля: навч.-метод. посіб. Київ: Аграр Медіа Груп.
- Aakanksha S., Sinha G. R., Bhatia S. (2021). New Opportunities for Sentiment Analysis and Information Processing. Advances in Data Mining and Database Management. IGI Global.
- Гасько Р., Висоцька В., Чирун Л. (2017). Особливості контент-аналізу користувацької інтернет- діяльності для формування зрізу психологічного стану особистості. Вісник Національного університету “Львівська політехніка”. Серія: Комп’ютерні науки та інформаційні технології, 864 (1), 221–238.
- Mashalkar A. (2020). Sentiment Analysis using Logistic Regression and Naive Bayes. https://towardsdatascience.com/sentiment-analysis-using-logistic-regression-and-naive-bayes-16b806eb4c4b.
- Hu D. (2020). How to use logistic regression to perform sentiment analysis. https://www.linkedin.com/ pulse/how-use-logistic-regression-perform-sentiment-analysis-hu/.
- Сошникова Л. А. (2021). Використання логістичної регресії для аналізу результатів статистичних спостережень. Статистика України: наук. вісник Національної академії статистики обліку та аудиту, 3(94), 4–11. http://194.44.12.92:8080/jspui/handle/123456789/6091.
- Кононова К. Ю. (2020). Машинне навчання: методи та моделі: підручник. Харків: Харківський національний університет ім. В. Н. Каразіна, 2020.
- Krysik A. (2021). Amazon’s Product Recommendation System In 2021: How Does The Algorithm Of The eCommerce Giant Work? https://recostream.com/blog/amazon-recommendation-system.
- Chong D. (2020). Deep Dive into Netflix’s Recommender System. https://towardsdatascience.com/deep-dive-into-netflixs-recommender-system-341806ae3b48.
- Інтернет-магазин Rozetka.ua. (2023). Маркетплейс. Робота з покупцями. https://sellerhelp.rozetka.com.ua/ ua/p221-customer-care.html.
- Інтернет-магазин Rozetka.ua. (2023). Правила публікації коментарів і відгуків користувачів на сайті Rozetka.ua. https://rozetka.com.ua/ua/pages/kommentarii_otzivy/.
- Kulakowski K. (2020). Understanding the Analytic Hierarchy Process. New York: Chapman and Hall.
- The Creately Visual Platform. (2022). Use Case Diagram Relationships Explained with Examples https://creately.com/blog/diagrams/use-case-diagram-relationships.
- Ruder S. (2017). An overview of gradient descent optimization algorithms. arXiv:1609.04747v2 [cs.LG], 1–14. https://arxiv.org/pdf/1609.04747.pdf.
- Hu J., Chen X., Zheng L., Zhang L., Li H. (2021). The Barzilai–Borwein Method for distributed optimization over unbalanced directed networks. Engineering Applications of Artificial Intelligence, Vol. 99. Elsevier. https://doi.org/10.1016/j.engappai.2020.104151.
- Lucambio Pérez L. R., Prudente L. F. (2018). A Wolfe line search algorithm for vector optimization. https://optimization-online.org/wp-content/uploads/2018/07/6744.pdf.