Рекомендаційні системи на основі аналізу послідовності кліків в сфері електронної комерції

Скорочена інформація про документ
dc.contributor.advisorНедашківська, Надія Іванівна
dc.contributor.authorМарченко, Дмитро Сергійович
dc.date.accessioned2026-09-10T09:59:04Z
dc.date.available2026-09-10T09:59:04Z
dc.date.issued2026
dc.description.abstractДипломна робота: 132 с., 16 рис., 15 табл., 27 джерел, 2 додатки. Об'єкт дослідження – процес формування персоналізованих рекомендацій товарів на платформах електронної комерції на основі послідовностей взаємодій користувачів. Предмет дослідження – моделі та методи побудови послідовних рекомендаційних систем із використанням рекурентних нейронних мереж і механізмів уваги. Мета роботи – реалізувати та порівняти архітектури рекомендаційних систем, що спираються на аналіз послідовності кліків у сфері e-commerce. У роботі розглянуто класичні підходи до побудови рекомендаційних систем – колаборативну та контентну фільтрацію, ланцюги Маркова – і послідовні методи на їх противагу. Описано математичний апарат LSTM і GRU, а також механізм уваги як основу архітектури SASRec. Окремо висвітлено навчальний процес: оптимізатор Adam, косинусний відпал швидкості навчання, L2-регуляризацію та метрики якості ранжування HR@K, Precision@K, MAP@K і NDCG@K. Систему повністю реалізовано на Python з використанням pandas, PyTorch і Polars. Реалізація охоплює попередню обробку наборів даних Retailrocket і OpenCDP, формування послідовностей взаємодій, навчання й збереження ваг моделей, а також веб-застосунок на FastAPI, розгорнутий через Docker. За результатами експериментів при K = 5, 10, 20 найкращі показники на Retailrocket показала модель LSTM4Rec, на OpenCDP – SASRec . Додатково проведено функціонально-вартісний аналіз із обґрунтуванням обраного варіанта реалізації. Розроблена система підтвердила свою працездатність і придатна до інтеграції в реальні платформи електронної комерції.
dc.description.abstractotherDiploma thesis: 132 p., 16 fig., 15 tab., 27 references, 2 appendices. The object of research is the process of generating personalized product recommendations on e-commerce platforms based on user interaction sequences. The subject of research is the models and methods for building sequential recommender systems using recurrent neural networks and attention mechanisms. The aim of the work is to implement and compare recommender system architectures that rely on clickstream analysis in the e-commerce domain. The thesis covers classical recommender system approaches – collaborative and content-based filtering, Markov chains – alongside sequential methods as an alternative. The mathematical foundations of LSTM and GRU are outlined, along with the attention mechanism as the core of the SASRec architecture. The training setup is also described: the Adam optimizer, cosine annealing of the learning rate, L2 regularization, and the ranking quality metrics HR@K, Precision@K, MAP@K, and NDCG@K. The system was fully implemented in Python with pandas, PyTorch, and Polars. The implementation covers preprocessing of the Retailrocket and OpenCDP datasets, construction of interaction sequences, model training and weight saving, and a FastAPI web application deployed via Docker. Experiments at K = 5, 10, 20 showed that LSTM4Rec performed best on Retailrocket, while SASRec led on OpenCDP. A functional-cost analysis was also carried out to justify the chosen implementation approach. The resulting system demonstrated its practical viability and is ready for integration into real-world e-commerce platforms.
dc.format.extent132 с.
dc.identifier.citationМарченко, Д. С. Рекомендаційні системи на основі аналізу послідовності кліків в сфері електронної комерції : дипломна робота … бакалавра : 124 Системний аналіз / Марченко Дмитро Сергійович. – Київ, 2026. – 132 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/82962
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectрекомендаційні системи
dc.subjectпослідовні рекомендації
dc.subjectаналіз послідовності кліків
dc.subjectелектронна комерція
dc.subjectрекурентні нейронні мережі
dc.subjectlstm
dc.subjectgru
dc.subjectsasrec
dc.subjectмеханізм уваги
dc.subjectглибоке навчання
dc.subjectrecommender systems
dc.subjectsequential recommendation
dc.subjectclickstream analysis
dc.subjecte-commerce
dc.subjectrecurrent neural networks
dc.subjectattention mechanism
dc.subjectdeep learning
dc.titleРекомендаційні системи на основі аналізу послідовності кліків в сфері електронної комерції
dc.typeBachelor Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Marchenko_bakalavr.pdf
Розмір:
2.75 MB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Бакалаврські роботи (ММСА)
Бакалаврські роботи