PL EN


Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
2017 | 11 | nr 342 | 115--130
Tytuł artykułu

Using Recommendation Approaches for Ratings Matrixes in Online Marketing

Warianty tytułu
Zastosowanie zaleceń rekomendacji do oceny macierzy w marketingu online
Języki publikacji
EN
Abstrakty
Głównym celem badania jest wykrycie zalet i wad różnych algorytmów wykorzystywanych podczas budowania systemu rekomendacji. Systemy rekomendujące stały się tak popularne ze względu na aktywny rozwój marketingu internetowego i wzrost sprzedaży za pośrednictwem Internetu. Opracowanie i wdrożenie strategii rekomendowania produktów powoduje efektywne wykorzystanie zasobów firmy i dynamiczną sprzedaż. Systemy rekomendujące są jednym z najbardziej efektywnych narzędzi - systemów, które są zbudowane przy użyciu algorytmów opartych na pamięci i systemów z algorytmami opartymi na modelach. Najlepszą wydajność pokazały techniki Matrix Factorization ze Stochastic Gradient Descend. Wybierając system rekomendujący, należy wziąć pod uwagę cel używania, cechy produktu, specyfikacje i dostępność danych klienta według ich preferencji. Korzystanie z jednego z opisanych systemów rekomendujących poprawi efektywność marketingu produktów.(abstrakt oryginalny)
EN
The main objective of the study is detecting of advantages and disadvantages of different algorithms which are used when building recommender system. Recommender systems became so popular because of active development of online marketing and increase of sales through the Internet. Development and implementation of a strategy for recommending products cause effective use of resources and dynamic sales of the company. Recommender systems are one of the most effective tools: systems, which are built using memory-based algorithms, and systems with model-based algorithms. The best performance was shown by Matrix Factorization techniques with Stochastic Gradient Descend. When selecting a recommender system it is advisable to consider the purpose of use, product features, specifications and availability of customer data on their preferences. The use of one of the described recommender system will improve the efficiency of the product marketing.(original abstract)
Rocznik
Tom
11
Numer
Strony
115--130
Opis fizyczny
Twórcy
  • National University of Life and Environmental Sciences of Ukraine
autor
  • National University of Life and Environmental Sciences of Ukraine
Bibliografia
  • Breese J.S., Heckerman D., Kadie C. (1998), Empirical Analysis of Predictive Algorithms for Collaborative Filtering [in:] Proceedings of the Fourteenth Conference on Uncertainty in Artificial Intelligence, Morgan Kaufmann Publishers Inc., pp. 43-52.
  • Gorakala S.K., Usuelli M. (2015), Building a Recommendation System with R, Packt Publishing Ltd.
  • Hahsler M. (2011), Recommenderlab: A Framework for Developing and Testing Recommendation Algorithms, Southern Methodist University.
  • Hauger S., Tso K.H., Schmidt-Thieme L. (2008), Comparison of Recommender System Algorithms Focusing on the New-Item and User-bias Problem [in:] Ch. Preisach, H. Burkhardt, L. Schmidt-Thieme, R. Decker (eds.), Data Analysis, Machine Learning and Applications, Springer, Berlin-Heidelberg, pp. 525-532.
  • Huang Z., Zeng D., Chen H. (2007), A Comparison of Collaborative-Filtering Recommendation Algorithms for e-Commerce, "IEEE Intelligent Systems", No. 22(5), pp. 68-78.
  • Lee J., Sun M., Lebanon G. (2012), A Comparative Study of Collaborative Filtering Algorithms, arXiv preprint, arXiv:1205.3193.
  • Lemire D., Maclachlan A. (2005), Slope One Predictors for Online Rating-Based Collaborative Filtering [in:] Proceedings of the 2005 SIAM International Conference on Data Mining, Society for Industrial and Applied Mathematics, pp. 471-475.
  • Ricci F., Rokach L., Shapira B. (2015), Recommender Systems: Introduction and Challenges [in:] F. Ricci, L. Rokach, B. Shapira, P.B. Kantor (eds.), Recommender Systems Handbook, Springer, US, pp. 1-34.
  • Vozalis M., Markos A., Margaritis K. (2009), Evaluation of Standard SVD-based Techniques for Collaborative Filtering [in:] Proceedings the 9th Hellenic European Research on Computer Mathematics and its Applications.
  • Zhang S., Wang W., Ford J., Makedon F., Pearlman J. (2005), Using Singular Value Decomposition Approximation for Collaborative Filtering [in:] "E-Commerce Technology", July, CEC 2005, Seventh IEEE International Conference, pp. 257-264.
  • [www 1] MovieLens project, https://movielens.org/ (access: 2016).
  • [www 2] Reproducible сode for research: https://rpubs.com/tarashnot/recommender_comparison (access: 2016).
Typ dokumentu
Bibliografia
Identyfikatory
Identyfikator YADDA
bwmeta1.element.ekon-element-000171513310

Zgłoszenie zostało wysłane

Zgłoszenie zostało wysłane

Musisz być zalogowany aby pisać komentarze.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.