Collaborative filtering based recommender system design for e-commerce

Abstract

Öneri sistemleri, e-ticaret endüstrisi için temel etkileşim işlevlerinden biridir. Tipik bir öneri sisteminde, müşteri ve ürün verileri analiz edilir ve olası müşteriler için ürünleri değerlendiren bir tahmin modeli oluşturulur. İş değeri açısından, bireylerin çeşitli ürünler arasından kendi ilgilerini çekecek olanları belirlemelerine yardımcı olur. Bu çalışmada, Türkiye'nin önde gelen e-ticaret platformu hepsiburada için işbirlikçi filtreleme temelli bir öneri sistemi tasarlanmıştır. İlk olarak, müşteri-ürün tahmin çiftleri halinde örtük geri bildirim verisi hazırlanmıştır. İkinci olarak, işbirlikçi filtreleme için düzenlenmiş tekil değer ayrıştırma esaslı matris faktörizasyon modeli oluşturulmuştur. Müşteriler ve ürünler örtük faktör vektörleri ile temsil edilir. Problem Alternatif En Küçük Kareler yöntemi ile optimize edilerek bir tahminleme modeli elde edilir. Üçüncüsü, potansiyel müşterilerin ürün puan tahinleri modelden alınır. Ardından, tahminler on ürrüne indirgenir. Son olarak, öneriler potansiyel müşteriler tarafından üretilen davranışsal verilerle değerlendirilir.

Recommender systems are one of the core engagement functions for e-commerce industry. In a typical recommender system, customer and product data is analysed and a prediction model is generated which evaluates products for prospective customers. In terms of business value, it helps individuals identify their interest among overwhelming variety of products. In this paper, a collaborative filtering based recommender system framework is proposed for Turkey's leading e-commerce platform hepsiburada. First of all, implicit feedback and customer-product prediction pairs are prepared from collected data. Second, a regularized singular value decomposition (SVD) based matrix factorization model is established for collaborative filtering (CF). Customers and products are represented with latent factor vectors. This model is trained with implicit feedback, as the SVD problem is solved with Alternating Least Squares (ALS). Third, predictions are gathered from CF model. Then, predictions are limited to ten-product recommendation sets. At last, recommendations are evaluated by behavioural data generated by prospective customers.