Вебплатформа для персоналізованих рекомендацій товарів на основі семантичного аналізу пошукових запитів засобами штучного інтелекту
Анотація
Досліджено проблему незадовільної якості процесу пошуку товарів і відсутності персоналізованих їх рекомендацій в українському сегменті електронної комерції, де провідні агрегатори цін (Hotline.ua, E-Katalog, Price.ua) реалізують переважно лексичне зіставлення назв товарів без семантичного розуміння запитів. Запропоновано архітектуру вебплатформи, що поєднує трансформерну модель Sentence-BERT для семантичного аналізу природномовних запитів з контентною та колаборативною фільтрацією інтересів покупця в єдиній композитній моделі ранжування товарів, у якій підсумкову релевантність пошуку товару визначають як зважену комбінацію семантичної, контентної та колаборативної компонент. Розроблено композитну математичну модель оцінювання релевантності пошуку товару у системі персоналізованих їх рекомендацій товару, яка інтегрує результати семантичного аналізу пошукових запитів, контентні характеристики товарів і дані про попередню взаємодію користувача із системою. Особливістю запропонованої моделі є адаптивне налаштування вагових коефіцієнтів окремих складових релевантності пошуку товару залежно від обсягу накопиченої історії взаємодії користувача. Систему реалізовано на трирівневій архітектурі: клієнтський рівень (Next.js/TypeScript), серверний рівень (FastAPI/Python), інтелектуальний рівень (sentence-transformers, implicit). Для зберігання 384-вимірних векторних подань товарів використано базу даних PostgreSQL 16 з розширенням pgvector, що забезпечує наближений пошук методом найближчих сусідів. Реалізовано механізм пояснюваності рекомендацій товару через декомпозицію підсумкового рейтингу аналогічних товарів за внесками семантичної, контентної та колаборативної компонент із текстовими поясненнями у користувацькому інтерфейсі. Реалізовано конекторну архітектуру агрегації даних із зовнішніх джерел з паралельним асинхронним їх опитуванням і обробленням відмов у режимі graceful degradation, що забезпечує відкритість системи щодо нових джерел даних без зміни її ядра. Підтверджено offline-оцінюванням на напівсинтетичному наборі даних перевагу адаптивного зважування компонент ранжування товарів над фіксованим їх вагомостями (приріст за метрикою NDCG@10 +0,095 при |H|=0 та +0,059 при |H|=50) і відсутність стрибків якості ранжування товарів, властивих дискретному перемиканню алгоритмів. Окреслено перспективи подальших етапів дослідження: online A/B-оцінювання якості ранжування товарів на реальному трафіку, баєсівська оптимізація гіперпараметрів моделі.
Завантаження
Посилання
Chen, J., Dong, H., Wang, X., Feng, F., Wang, M., & He, X. (2023). Bias and debias in recommender system: A survey and future directions. ACM Transactions on Information Systems, 41(3), 1–39. https://doi.org/10.1145/3564284
Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of deep bidirectional transformers for language understanding. Proceedings of NAACL-HLT 2019, 4171–4186. https://doi.org/10.18653/v1/N19-1423
Fenii, N. S., & Hrytsiuk, Y. I. (2020). Automation of the process of classification of text news from internet sites by neural network methods. Scientific Bulletin of UNFU, 30(4), 123–133. https://doi.org/10.36930/40300421
Gomez-Uribe, C. A., & Hunt, N. (2015). The Netflix recommender system: Algorithms, business value, and innovation. ACM Transactions on Management Information Systems, 6(4), 1–19. https://doi.org/10.1145/2843948
Hu, J., An, T., Yu, Z., Du, J., & Luo, Y. (2025). Contrastive learning for cold start recommendation with adaptive feature fusion. arXiv preprint arXiv:2502.03664. https://doi.org/10.48550/arXiv.2502.03664
Hu, Y., Koren, Y., & Volinsky, C. (2008). Collaborative filtering for implicit feedback datasets. Proceedings of the 8th IEEE International Conference on Data Mining (ICDM 2008), 263–272. https://doi.org/10.1109/ICDM.2008.22
Kasumov, T. (2024). Marketplaces in Ukraine in the conditions of digital metamorphoses: Trends, challenges and strategic guidelines. Journal of Strategic Economic Research, 25(6), 64–78. https://doi.org/10.30857/2786-5398.2024.6.7
Keikhosrokiani, P., & Fye, G. M. (2024). A hybrid recommender system for health supplement e-commerce based on customer data implicit ratings. Multimedia Tools and Applications, 83(15), 45315–45344. https://doi.org/10.1007/s11042-023-17321-6
Kolupaieva, I. V., & Bezsonov, S. (2023). The state and directions of development of e-commerce in Ukraine. Problems of the Economy, 2(56), 74 – 80. https://doi.org/10.32983/2222-0712-2023-2-74-80
Li, M., Yuan, C., Wang, H., Wang, P., Zhuo, J., Wang, B., & Xu, S. (2023). Adaptive hyper-parameter learning for deep semantic retrieval. In Proceedings of the 2023 Conference on Empirical Methods in Natural Language Processing: Industry Track, 775–782. https://doi.org/10.18653/v1/2023.emnlp-industry.72
Li, W., Zhou, J., Luo, C., Tang, C., Zhang, K., & Zhao, S. (2024). Scene-wise adaptive network for dynamic cold-start scenes optimization in CTR prediction. In Proceedings of the 18th ACM Conference on Recommender Systems (RecSys 24), 370–379. https://doi.org/10.1145/3640457.3688115
Li, Y., Liu, K., Satapathy, R., Wang, S., & Cambria, E. (2024). Recent developments in recommender systems: A survey. IEEE Computational Intelligence Magazine, 19(2), 78–95. https://doi.org/10.1109/MCI.2024.3363984
Loukili, M., & Messaoudi, F. (2025). Enhancing cold-start recommendations with innovative Co-SVD: A sparsity reduction approach. Statistics, Optimization & Information Computing, 13(1), 396–408. https://doi.org/10.19139/soic-2310-5070-2048
MacKenzie, I., Meyer, C., & Noble, S. (2013). How retailers can keep up with consumers. McKinsey & Company. URL: https://www.mckinsey.com/industries/retail/our-insights/how-retailers-can-keep-up-with-consumers
Magnani, A., Liu, F., Chaidaroon, S., Yadav, S., Suram, P. R., Puthenputhussery, A., & Liao, C. (2022). Semantic retrieval at Walmart. In Proceedings of the 28th ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 22), 3495–3503. https://doi.org/10.1145/3534678.3539164
Nguyen, D.-N., Nguyen, V.-H., Trinh, T., Ho, T., & Le, H.-S. (2024). A personalized product recommendation model in e-commerce based on retrieval strategy. Journal of Open Innovation: Technology, Market, and Complexity, 10(2), article ID 100303. https://doi.org/10.1016/j.joitmc.2024.100303
Parthasarathy, G., & Sathiya Devi, S. (2023). Hybrid recommendation system based on collaborative and content-based filtering. Cybernetics and Systems, 54(4), 432–453. https://doi.org/10.1080/01969722.2022.2062544
Reimers, N., & Gurevych, I. (2019). Sentence-BERT: Sentence embeddings using Siamese BERT-networks. Proceedings of EMNLP-IJCNLP 2019, 3982–3992. https://doi.org/10.18653/v1/D19-1410
Ricci, F., Rokach, L., & Shapira, B. (2015). Recommender systems: Introduction and challenges. In F. Ricci, L. Rokach, & B. Shapira (Eds.), Recommender Systems Handbook (2nd ed., pp. 1–34). Springer. https://doi.org/10.1007/978-1-4899-7637-6_1
Schedl, M., Zamani, H., Chen, C.-W., Deldjoo, Y., & Elahi, M. (2018). Current challenges and visions in music recommender systems research. International Journal of Multimedia Information Retrieval, 7(2), 95–116. https://doi.org/10.1007/s13735-018-0154-2
Torskyi, O. I., & Hrytsiuk, Y. I. (2025). Application of machine learning to enhance the efficiency of automated software testing. Scientific Bulletin of UNFU, 35(4), 142–149. https://doi.org/10.36930/40350416
Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, L., & Polosukhin, I. (2017). Attention is all you need. Advances in Neural Information Processing Systems, 30, 5998 – 6008. https://doi.org/10.48550/arXiv.1706.03762
Veseliak, V. V., & Hrytsiuk, Y. I. (2024). Machine learning methods in epidemiological research. Scientific Bulletin of UNFU, 34(4), 59–67. https://doi.org/10.36930/40340408
Zhang, S., Yao, L., Sun, A., & Tay, Y. (2019). Deep learning based recommender system: A survey and new perspectives. ACM Computing Surveys, 52(1), 1–38. https://doi.org/10.1145/3285029
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
