Розробка рекомендаційної системи для підвищення ефективності маркетплейсу
Тип публікації :
Магістерська робота
Дата випуску :
2025
Автор(и) :
Князєва, Людмила Святославівна
Науковий(і) керівник(и)/редактор(и) :
Мова основного тексту :
Ukrainian
eKNUTSHIR URL :
Цитування :
[APA 7] Князєва, Л. С. (2025). Розробка рекомендаційної системи для підвищення ефективності маркетплейсу [Магістерська робота, Київський національний університет імені Тараса Шевченка]. eKNUTSHIR. https://ir.library.knu.ua/handle/15071834/7544
[ДСТУ] Князєва Л. С. Розробка рекомендаційної системи для підвищення ефективності маркетплейсу : кваліфікаційна робота магістра : 051 Економіка / наук. кер. Т. Г. Затонацька. Київ, 2025. 81 с. URL: https://ir.library.knu.ua/handle/15071834/7544 (дата звернення: 25.07.2026).
Об’єкт дослідження: процеси персоналізації користувацького досвіду у маркетплейсах шляхом застосування рекомендаційних систем.
Мета дослідження: розробка рекомендаційної системи для підвищення ефективності маркетплейсу з використанням сучасних методів машинного навчання.
Методи дослідження: методи машинного навчання, зокрема класифікаційні алгоритми (логістична регресія, мультиноміальний наївний байєсівський класифікатор, класифікатор Ridge, пасивно-агресивний класифікатор та LightGBM), алгоритм кластеризації k-means, алгоритми колаборативної та контентної фільтрації, методи обробки природної мови (NLP) та аналіз сентиментів.
Наукова новизна, теоретична значимість дослідження: запропоновано рекомендаційну систему з модульною структурою, що дозволяє подолати проблеми масштабованості та «холодного старту», а також забезпечує гнучке та адаптивне поєднання різних алгоритмів залежно від завдань маркетплейсу та поведінки користувачів.
Практична цінність: створено універсальне рішення, придатне до впровадження на різних платформах електронної комерції, здатне працювати з реальними даними та враховувати емоційний контекст користувацьких відгуків для підвищення точності та релевантності рекомендацій.
Мета дослідження: розробка рекомендаційної системи для підвищення ефективності маркетплейсу з використанням сучасних методів машинного навчання.
Методи дослідження: методи машинного навчання, зокрема класифікаційні алгоритми (логістична регресія, мультиноміальний наївний байєсівський класифікатор, класифікатор Ridge, пасивно-агресивний класифікатор та LightGBM), алгоритм кластеризації k-means, алгоритми колаборативної та контентної фільтрації, методи обробки природної мови (NLP) та аналіз сентиментів.
Наукова новизна, теоретична значимість дослідження: запропоновано рекомендаційну систему з модульною структурою, що дозволяє подолати проблеми масштабованості та «холодного старту», а також забезпечує гнучке та адаптивне поєднання різних алгоритмів залежно від завдань маркетплейсу та поведінки користувачів.
Практична цінність: створено універсальне рішення, придатне до впровадження на різних платформах електронної комерції, здатне працювати з реальними даними та враховувати емоційний контекст користувацьких відгуків для підвищення точності та релевантності рекомендацій.
Ключові слова :
електронна комерція рекомендаційні системи штучний інтелект машинне навчання маркетплейс колаборативна фільтрація фільтрація за вмістом сентимент-аналіз e-commerce recommendation systems artificial intelligence machine learning marketplace collaborative filtration content-based filtration sentiment analysis
Галузі знань та спеціальності :
05 Соціальні та поведінкові науки::051 Економіка
Галузі науки і техніки (FOS) :
Соціальні науки
Файл(и) :![Ескіз]()
Вантажиться...
Формат :
Adobe PDF
Розмір :
1.39 MB
Контрольна сума :
(MD5):d5b5c2106df59d47eb5a28a27b8788f9
Якщо не вказано інше, ця робота розповсюджується на умовах ліцензії Creative Commons Attribution-NonCommercial 4.0 International