1. SISN
  2. Всі випуски
  3. Випуск 15, 2024
  4. Застосування рекомендаційних системи в електронній комерції

Застосування рекомендаційних системи в електронній комерції

SISN.
2024;
Випуск 15
: cc. 252 - 259
https://doi.org/10.23939/sisn2024.15.252
Автори:
  1. Олег Басистюк
  2. З. Л. Рибчак
1
Національний університет Львівська політехніка
2
Національний університет "Львівська політехніка", м. Львів, Україна

У наш час з’являються усе більше і більше найрізноманітніших веб-додатків. Кожен з них вирішує якусь конкретну проблему, все більше і більше спрощує життя своїм користувачам. Веб- додатки бувають найрізноманітніших типів: від платформи навчальних курсів та перегляду фільмів до інтернет-магазину з продажу товарів. Найкращі системи – це ті системи які максимально спрощують роботу для користувача, поводять себе наче старі друзі, які чудово знають поведінку та смаки користувачів та можуть передбачати їх наступний крок. Таку поведінку системи було б корисно інтегрувати в систему інтернет магазину, оскільки, зараз, надзвичайна кількість людей надає перевагу купувати товари онлайн, економлячи час та сили. Отже, рекомендаційні системи стали важливим інструментом для підвищення ефективності магазинів електронної комерції і забезпечення задоволення споживачів. В межах даного дослідження було проаналізовано основні підходи застосування рекомендаційних системи для інтернет магазинів, обґрунтовано переваги та доцільність вибраних технологій для реалізації інформаційної системи інтернет магазину з використанням нейронних мереж

Рекомендаційні системи
інформаційні технології
електронна комерція
  1. Kulkarni, A., Shivananda, A., Krishnan, V. A. (2022). Applied Recommender Systems with Python: Build Recommender Systems with Deep Learning, NLP and Graph-Based Techniques, pp. 264, Publisher Apress.
  2. Izonin, I., Tkachenko, R., Vitynskyi, P., Zub, K., Tkachenko, P., Dronyuk, I. (2020). Stacking-based GRNN-SGTM Ensemble Model for Prediction Tasks.  International Conference on Decision  Aid  Sciences and Application (DASA), 326–330.
  3. Shakhovska, N., Basystiuk, O., & Shakhovska, K. (2019). Development of the Speech-to-Text Chatbot Interface Based on Google API. In MoMLeT, 212–221.
  4. Falk, K. (2019). Practical Recommender Systems. Manning Publications. https://www.perlego.com/book/1469487/practical-recommender-systems-pdf
  5. Genovese, A. (2020, October 6). Recommendation algorithms in e-commerce industry. Alexgenovese. https://alexgenovese.it/blog/recommendation-algorithms-in-e-commerce-ind...
  6. Masolo, C. (2023, January 18). EBay New Recommendations Model with Three Billion Item Titles. Infoq.      https://www.infoq.com/news/2023/01/ebay-recommendations-odel/
  7. Krysik, A. (2021, October 14). Amazon's Product Recommendation System In 2021: How Does The Algorithm Of The eCommerce  Giant  Work? Recostream. https://recostream.com/blog/amazon-recommendation- system
  8. Faggella, D. (2022, May 10). Artificial  Intelligence  at Alibaba  – Two Current Use-Cases. Emerj. https://emerj.com/ai-sector-overviews/artificial-intelligence-at-alibaba/
  9. Marr, B. (2022, May 10). The Amazing Ways Retail Giant Zalando Is Using Artificial Intelligence. Bernard Marr & Co. https://bernardmarr.com/the-amazing-ways-retail-giant-zalando-is-using-a...
  10. Rybchak, Z., & Basystiuk, O. (2017). Analysis of methods and means of text mining. ECONTECHMOD. AN INTERNATIONAL QUARTERLY JOURNAL., 6(2), 73–78.
  11. Shakhovska, N., Vovk, O., Kryvenchuk, Y. ((2018). Uncertainty reduction in Big data catalogue for information product quality evaluation. Eastern-European Journal of Enterprise Technologies., 1(2), 12–20.
  12. Basystiuk, O., Melnykova, N. (2022). Multimodal Approaches for Natural Language Processing in Medical Data. 5th International Conference on Informatics & Data-Driven Medicine, 246–252.
  13. Havryliuk, M., Dumyn, I., Vovk, O. (2023).  Extraction of  Structural Elements of  the Text Using Pragmatic Features for the Nomenclature of Cases Verification. Advances in Intelligent Systems, Computer Science and Digital Economics IV. CSDEIS 2022. Lecture Notes on Data Engineering and Communications Technologies., 158.    https://doi.org/10.1007/978-3-031-24475-9_57
  14. Shakhovska, N., Zherebetskyi, O., Lupenko, S. Model for Determining the Psycho-Emotional State of a Person Based on Multimodal Data Analysis. Applied Sciences. 2024; 14(5):1920. https://doi.org/10.3390/app14051920
  15. Basystiuk, O., Shakhovska, N., Bilynska, V., Syvokon, O., Shamuratov, O., & Kuchkovskiy, V. (2021). The Developing of the System for Automatic Audio to Text Conversion. Symposium on Information Technologies & Applied Sciences.
  16. Chukhray, N., Mrykhina, O., Izonin, I. Holistic Approach to R&D Products’ Evaluation for Commercialization under Open Innovations. Journal of Open Innovation: Technology, Market, and Complexity. 2022; 8(1):9. https://doi.org/10.3390/joitmc8010009
  17. Boyko, N., Mochurad, L., Parpan, U., & Basystiuk, O. (2021). Usage of Machine-based Translation Methods for Analyzing Open Data in Legal Cases. Cyber Hygiene and Conflict Management in Global Information Networks (CyberConf 2019), 328–338.
  18. Gunawardana, A., Shani, G. (2015). Evaluating Recommender Systems. In: Ricci, F., Rokach, L., Shapira, B. (eds) Recommender Systems Handbook. Springer, Boston, MA. https://doi.org/10.1007/978-1-4899-7637-6_8
  19. Zheliznyak, I., Rybchak, Z., Zavuschak, I. (2017). Analysis of clustering algorithms. Advances in Intelligent Systems and Computing, 305–314.
  20. Havryliuk, M., Kaminskyy, R., Yemets, K., Lisovych, T. (2023). Interactive Information System for Automated Identification of Operator Personnel by Schulte Tables Based on Individual Time Series. Advances in Artificial Systems for Logistics Engineering III. ICAILE 2023. Lecture Notes on Data Engineering and Communications Technologies, vol 180. Springer, Cham. https://doi.org/10.1007/978-3-031-36115-9_34