Loading...
Publication
Sistema de Recomendações Multi-Objectivo Multi-Model para Previsão de Ações e-Commerce
| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 10.86 MB | Adobe PDF |
Authors
Abstract(s)
The thriving retail e-commerce sector, driven by the surge in digital transactions and con sumer engagement, emphasizes the imperative for enterprises to optimize revenue and prof itability. To achieve this, online stores are increasingly turning to advanced recommender
systems. These systems strategically target multiple objectives, focusing on factors that
boost user interaction and value extraction, such as increased item viewing and cart addi tions. By prioritizing a set of objectives, recommender systems aim to cater to immediate
user preferences and cultivate a personalized user experience, fostering loyalty and continu ous engagement in the dynamic landscape of e-commerce.
In response to this evolving landscape, e-commerce enterprise OTTO initiated a Kaggle
competition, calling upon the global community of data scientists and machine learning
enthusiasts to model and predict a set of events within their products. This collaborative
effort not only propelled advancements in the field but also underscored the significance of
community-driven initiatives in shaping the future of personalized online shopping experi ences.
This project directly addresses the challenges posed by the OTTO Kaggle competition,
aiming to evaluate the individual and collective performance of diverse recommendation
models within e-commerce recommender systems. Utilizing the Design Science Research
(DSR) methodology, the project underwent iterative design and development, aligning with
specific goals derived from a comprehensive review of existing literature and state-of-the-art
recommender systems as well as goals and requirements extrapolated from the mentioned
competition.
The implemented system integrates Gradient Boosting Decision Trees (GBDT), Dropouts
meet Multiple Additive Regression Trees (DART), Gated Recurrent Unit for Recommender
Systems (GRU4Rec), and Random Forest models into an ensemble framework. Evaluated
using predefined metrics from the Kaggle competition, the system leverages user session
data to predict user actions across various event types. While the performance analysis
demonstrates the system’s competency, there is room for improvement to provide enhanced
value in real-world e-commerce scenarios. The project highlights the continuous evolution
of recommender systems, emphasizing the need for ongoing research and refinement.
O setor de e-commerce encontra-se presentemente em crescimento, impulsionado pelo aumento exponencial de transações digitais e participação dos consumidores. Este setor destaca a necessidade das empresas de otimizar a sua receita e rentabilidade. Para alcançar esse objetivo, as lojas online recorrem cada vez mais a sistemas de recomendação de produtos mais avançados. Estes sistemas otimizam estrategicamente múltiplos objetivos, concentrando-se em fatores que aumentam os níveis de interação do utilizador com os pro dutos e a rentabilidade para a empresa, como o aumento na visualização de itens e adições ao carrinho. Ao priorizar um conjunto de objetivos, os sistemas de recomendação visam atender às preferências imediatas dos utilizadores e cultivar uma experiência personalizada, promovendo a fidelidade e o utilização contínua dentro dos produtos em aplicação. Em resposta a este cenário, a empresa de e-commerce OTTO lançou uma competição no website Kaggle, propondo à comunidade de cientistas de dados e entusiastas de IA a modelação e previsão de eventos dos utilizadores dentro de seus produtos. Este esforço co laborativo não apenas impulsionou avanços no campo, mas também destacou a importância da comunidade na formação do futuro das experiências personalizadas de compras online. O projeto desenvolvido aborda diretamente os desafios apresentados pela competição da OTTO, visando avaliar o desempenho individual e coletivo de diversos modelos de recomendação dentro da área de recomendações para e-commerce. Utilizando a metodologia de Pesquisa em Design Science Research (DSR), o projeto passou por processos de design e desenvolvimento iterativos, alinhando-se a objetivos específicos derivados de uma revisão abrangente da literatura existente e da análise fundamentada da informação providenciada durante a competição referida. O sistema implementado integra modelos Gradient Boosting Decision Trees (GBDT), Dropouts meet Multiple Additive Regression Trees (DART), Gated Recurrent Unit for Recommender Systems (GRU4Rec) e Random Forest num sistema que permite a sua utilização individual ou conjunta. O sistema utiliza dados de sessão do utilizador para prever ações do utilizador para diferentes tipologias de eventos. O sistema foi avaliado utilizando métricas predefinidas da competição Kaggle de forma comparativa nas suas diferentes configurações. Embora a análise de desempenho demonstre a competência do sistema, há espaço para melhorias, potenciando o fornecimento de valor adicional em cenários reais de e-commerce. O projeto destaca a evolução contínua dos sistemas de recomendação, especificamente a necessidade de pesquisa contínua e refinamento em resposta às mudanças nos comportamentos e prefer ências dos utilizadores.
O setor de e-commerce encontra-se presentemente em crescimento, impulsionado pelo aumento exponencial de transações digitais e participação dos consumidores. Este setor destaca a necessidade das empresas de otimizar a sua receita e rentabilidade. Para alcançar esse objetivo, as lojas online recorrem cada vez mais a sistemas de recomendação de produtos mais avançados. Estes sistemas otimizam estrategicamente múltiplos objetivos, concentrando-se em fatores que aumentam os níveis de interação do utilizador com os pro dutos e a rentabilidade para a empresa, como o aumento na visualização de itens e adições ao carrinho. Ao priorizar um conjunto de objetivos, os sistemas de recomendação visam atender às preferências imediatas dos utilizadores e cultivar uma experiência personalizada, promovendo a fidelidade e o utilização contínua dentro dos produtos em aplicação. Em resposta a este cenário, a empresa de e-commerce OTTO lançou uma competição no website Kaggle, propondo à comunidade de cientistas de dados e entusiastas de IA a modelação e previsão de eventos dos utilizadores dentro de seus produtos. Este esforço co laborativo não apenas impulsionou avanços no campo, mas também destacou a importância da comunidade na formação do futuro das experiências personalizadas de compras online. O projeto desenvolvido aborda diretamente os desafios apresentados pela competição da OTTO, visando avaliar o desempenho individual e coletivo de diversos modelos de recomendação dentro da área de recomendações para e-commerce. Utilizando a metodologia de Pesquisa em Design Science Research (DSR), o projeto passou por processos de design e desenvolvimento iterativos, alinhando-se a objetivos específicos derivados de uma revisão abrangente da literatura existente e da análise fundamentada da informação providenciada durante a competição referida. O sistema implementado integra modelos Gradient Boosting Decision Trees (GBDT), Dropouts meet Multiple Additive Regression Trees (DART), Gated Recurrent Unit for Recommender Systems (GRU4Rec) e Random Forest num sistema que permite a sua utilização individual ou conjunta. O sistema utiliza dados de sessão do utilizador para prever ações do utilizador para diferentes tipologias de eventos. O sistema foi avaliado utilizando métricas predefinidas da competição Kaggle de forma comparativa nas suas diferentes configurações. Embora a análise de desempenho demonstre a competência do sistema, há espaço para melhorias, potenciando o fornecimento de valor adicional em cenários reais de e-commerce. O projeto destaca a evolução contínua dos sistemas de recomendação, especificamente a necessidade de pesquisa contínua e refinamento em resposta às mudanças nos comportamentos e prefer ências dos utilizadores.
Description
Keywords
E-Commerce Recommender Systems Model Ensemble Multi-Objective Sequence Data Session