DOI: https://doi.org/10.20998/2079-0023.2018.44.10

ІНТЕЛЕКТУАЛЬНИЙ АНАЛІЗ ПРОПОЗИЦІЙ ТОВАРІВ НА ОСНОВІ КОНТЕКСТНИХ РЕКОМЕНДАЦІЙ

Olga Yuryevna Cherednichenko, Oksana Vitaliivna Ivashchenko, Yulia Mykolaivna Gontar, Borys Mykhailovych Vorona

Анотація


Інтернет-технології є невід’ємною складовою відносин, які виникають у сучасному суспільстві. Через швидке впровадження та зручність електронних майданчиків, прогнозовано зростає попит на ринку IT-продуктів для рекомендаційних систем. У статті розглянуті різноманітні обмеження поточних рекомендаційних методів та обговорено можливі розширення, що можуть покращити рекомендаційні можливості та зробити їх більш ціностними для широкого кола додатків. Ці розширення включають покращення сприймання користувачів та елементів, включення контекстної інформації в рекомендаційний процес, підтримка багатокритеріальних рейтингів та надання більш гнучких і водночас менш нав’язливих типів рекомендацій. Важливу роль відіграє інтеграція діяльності, якаполягає у підтримці усіх аспектів електронної комерції від виконання транзакцій до підтримки мережі постачання, що дає змогу спростити документообіг та збільшити вигоду учасників.Направленість даної розробки – проводити аналітичну обробку даних торгівельних майданчиків, на основі контекстних рекомендацій, об’єктивний аналіз та здійснювати актуальний моніторинг ділової активності на торговельному майданчику. Розглянуто задачу складання різноманітних аналітичних звітів, що дозволить учасникам ринку IT-продуктів для рекомендаційних систем об’єктивно і своєчасно аналізувати розвиток ситуації на ринку, виявляти існуючі та прогнозні тенденції. Побудова сфери надання інтелектуальних аналітичних послуг здійснюється для залучення додаткових учасників, або якісно нових гравців ринку та одержання додаткового прибутку.Для обробки доцільно використовувати принципово нові технології Data Mining, що дозволить отримати якісно цінні дані. Data Mining – це технологія, призначена для пошуку у великих інформаційних масивах неочевидних даних, об’єктивних, корисних на практиці закономірностей.


Ключові слова


електронні торгівельні майданчики; рекомендаційні системи; контекстна інформація; інтерпретація даних; моделі; програмний компонент; інтелектуальний аналіз даних

Повний текст:

PDF

Посилання


Wang Z., Liu X., Li H., Shi J., Rao Y. A Salient Detection Based Unsupervised Commodity Object Retrieval Scheme. IEEE Access. 2018, vol. 6, pp. 49902–49912. doi: 10.1109/ACCESS.2018.2868139.

Neves Ana Régia de M., Carvalho Álvaro Marcos G., Ralha Célia G. Agent-based architecture for context-aware and personalized event recommendation. Expert Systems with Applications. 2014, vol. 41, issue 2, pp. 563–573. https://doi.org/10.1016/J.ESWA.2013.07.081

Wang Shu-Lin, Wu Chun-Yi. Application of context-aware and personalized recommendation to implement an adaptive ubiquitous learning system. Expert Systems with Applications, 2011, vol. 38, issue 9, pp. 10831–10838. https://doi.org/10.1016/j.eswa.2011.02.083

Muhammad Afzal, Syed Imran Ali, Rahman Ali, Maqbool Hussain, Taqdir Ali, Wajahat Ali Khan, Muhammad Bilal Amin, Byeong Ho Kang, Sungyoung Lee. Personalization of wellness recommendations using contextual interpretation. Expert Systems with Applications. 2018, vol. 96, pp. 506–521. https://doi.org/10.1016/j.eswa.2017.11.006

Cutting D., Karger D., Pedersen J., Tukey J. A Cluster-based Approach to Browsing Large Document Collections. Semantic scholar. Available at: https://pdfs.semanticscholar.org/1134/3448f8a817fa391e3a7897a95f975ad2873a.pdf (accessed 10.10.2018).

Yaohao Peng, Pedro Henrique Melo Albuquerque, Jader Martins Camboim de Sá, Ana Julia Akaishi Padula, Mariana Rosa Montenegro. The best of two worlds: Forecasting high frequency volatility for cryptocurrencies and traditional currencies with Support Vector Regression. Expert Systems with Applications. 2018, vol. 97, pp. 177–192. https://doi.org/10.1016/j.eswa.2017.12.004

Sasvári Tamás. Language Detector class (C#). Available at: http://idsyst.hu/development/language_detector.html (accessed 01.10.2018).

Butova R. K., Nazarov G. N., Pavlenko L. A. and others. Informacijni sy'stemy' i texnologiyi v ekonomici: posib. dlya stud. vy'shhy'x navch. zakl. [Information systems and technologies in the economy: manual. for studio higher educators shut up]. Kiev, Academy Publ., 2002. 544 p.

Apopia V. V., Olexin I. I., Shutovskaya N. O., Futalo T. V. Organizaciya i texnologiya nadannya poslug: navchal'ny'j posibny'k [Organization and technology of providing services: Teaching. manual]. Kiev, Academy Publ., 2016. 312 pp.

Fedulova L. I. Innovacijna ekonomika: pidruchny'k [Innovative economy: textbook]. Kiev, Lybid Publ., 2006. 480 p.

Geets V. Harakter perehidnyh procesiv do ekonomiky znan' [Character of Transitional Processes to the Knowledge Economy]. Ekonomika Ukrai'ny [Economics of Ukraine]. 2004, no. 5, pp. 4–13.

Nilashi M., Esfahani M. D., Roudbaraki M. Z., Ramayah, T., Ibrahim O. A multi-criteria collaborative filtering recommender system using clustering and regression techniques. Journal of Soft Computing and Decision Support Systems. 2016, vol. 3, no. 5, pp. 24–30.

Ekonomichna pravda [Economic truth]. 2018, December 18. [Electronic resource]. Available at: https://www.epravda.com.ua/ (accessed 01.10.2018)

Ricci F., Rokach L., Shapira B. Recommender systems: introduction and challenges. Recommender systems handbook. Boston, Springer, 2015, pp. 1–34.

Sivaraman S., Trivedi M. M. Active learning for on-road vehicle detection: A comparative study. Machine vision and applications. 2014, vol. 25, no. 3, pp. 599–611.

Rubens N., Elahi M., Sugiyama M., Kaplan D. Active learning in recommender systems. Recommender systems handbook. Boston, Springer, 2015, pp. 809–846.

Buczak A. L., Guven E. A survey of data mining and machine learning methods for cyber security intrusion detection. IEEE Communications Surveys & Tutorials. 2016, vol. 18, no. 2, pp. 1153–1176.

Ulissi Z. W., Medford A. J., Bligaard T., Nørskov J. K. To address surface reaction network complexity using scaling relations machine learning and DFT calculations. Nature communications. 2017, vol. 8, pp. 14621–14627.

Hwangbo H., Kim Y. S., Cha K. J. Recommendation system development for fashion retail e-commerce. Electronic Commerce Research and Applications. 2018, vol. 28, pp. 94–101.

Wongsuphasawat K., Moritz D., Anand A., Mackinlay J., Howe B., Heer J. Towards a general-purpose query language for visualization recommendation. Proceedings of the Workshop on Human-In-the-Loop Data Analytics. Available at: https://www.domoritz.de/papers/2016-Compassql-HILDA.pdf (accessed 01.10.2018).

Yashchuk D. Y., Golub, B. L. Research on the Use of OLAP Technologies in Management Tasks. International Conference on Theory and Applications of Fuzzy Systems and Soft Computing. Cham, Springer, 2018, pp. 683–691.

Gallinucci, E., Golfarelli, M., Rizzi, S. Variety-Aware OLAP of Document-Oriented Databases. 2018.

Kluver D., Ekstrand M. D., Konstan J. A. (). Rating-based collaborative filtering: algorithms and evaluation. Social Information Access. Springer, Cham, 2018, pp. 344–390.

Wang D., Liang Y., Xu D., Feng X., Guan R. A content-based recommender system for computer science publications. Knowledge-Based Systems. 2018, vol. 157. pp. 1–9.

Aulin V. V., Holub D. V. Metody otsinky i analizu nadiynosti avtomobilʹnykh transportnykh system [Methods of estimation and analysis of reliability of automobile transport systems]. Zbirnyk tez dopovidej Ⅵ Mizhnarodnoi' naukovo-tehnichnoi' konferencii' molodyh uchenyh ta studentiv „Aktual'ni zadachi suchasnyh tehnologij“ [Proc. of Ⅵ International Science and Technology and Conference of Young Researchers and Students „Current problems of modern technologies“]. 2017, vol. 3, pp. 14–15.

Leris D., Sein-Echaluce M. L. Hernández, M., Bueno C. Validation of indicators for implementing an adaptive platform for MOOCs. Computers in Human Behavior. 2017, vol. 72, pp. 783–795.

Chaikovska M., Chaikovskyi M. Strategies for implementation of affiliate-projects in marketing activity. Scientific Journal of Polonia University. 2018, vol. 27, no. 2, pp. 18–25.

Wang S., Zheng Z., Wu Z., Lyu M. R., Yang F. Reputation measurement and malicious feedback rating prevention in web service recommendation systems. IEEE Transactionson Services Computing. 2015, vol. 8, no. 5, pp. 755–767.


Пристатейна бібліографія ГОСТ