| Abstract: | V zadnjem desetletju so priporočilni sistemi postali ena ključnih tehnologij v elektronskem poslovanju, saj podjetjem omogočajo izboljšanje uporabniške izkušnje, povečanje zadovoljstva strank in višjo stopnjo konverzij. Področje priporočanja računalniških komponent predstavlja poseben izziv, ki ga obstoječe rešitve pogosto ne naslavljajo dovolj učinkovito. Razlog za to je tehnična kompleksnost izdelkov, zahteve po medsebojni združljivosti ter dinamične preference uporabnikov. Namen magistrskega dela je bil zasnovati in implementirati priporočilni sistem za računalniške komponente, ki temelji na sodobnih metodah strojnega učenja ter hibridnem pristopu, in ovrednotiti njegovo učinkovitost glede na različne algoritme in podatkovne nastavitve. Raziskovalni problem se nanaša na vprašanja, kateri priporočilni algoritmi so najprimernejši za področje računalniških komponent, kako se razlikujejo glede na natančnost, hitrost in prilagodljivost ter kako različni podatkovni viri vplivajo na kakovost priporočil. Postavljene so bile tri hipoteze. Hipoteza 1 predpostavlja, da izbira ustreznega algoritma pomembno vpliva na natančnost priporočil in zadovoljstvo uporabnikov. Hipoteza 2 predpostavlja, da napredne tehnike strojnega učenja izboljšajo prilagoditev in kakovost priporočil. Hipoteza 3 predpostavlja, da raznolikost in kakovost podatkov pozitivno vplivata na rezultate in uporabniško izkušnjo.
V teoretičnem delu naloge smo predstavili glavne metode priporočanja, med njimi filtriranje na osnovi vsebine (CBF), skupinsko filtriranje (CF), filtriranje na podlagi znanja (KBF) in hibridni pristopi. Poseben poudarek je bil na uporabi nevronskih mrež in globokega učenja, ki omogočajo zajemanje kompleksnih nelinearnih povezav med uporabniki in izdelki. Poleg tega smo opravili primerjavo praks v podjetjih Netflix in Amazon, kar je omogočilo prenos njihovih konceptov v področje računalniških komponent.
Praktični del naloge je vključeval razvoj celovite rešitve, ki je sestavljena iz React uporabniškega vmesnika, Flask zalednega sistema in MongoDB baze podatkov. Implementirali smo štiri algoritme: osnovni priporočilni sistem, CBF, CF ter hibridni pristop, ki združuje prednosti CF in CBF pristopa. Osnovni sistem je uporabljal model SentenceTransformers za izračun podobnosti med komponentami, CBF je temeljil na atributih izdelkov in regresijskem modelu Random Forest, CF pa na matriki uporabnik-izdelek in podobnostih med uporabniki. Hibridni pristop je združeval rezultate CBF in CF.
V eksperimentalnem delu smo ovrednotili algoritme na podatkovni zbirki, katero je sestavljalo 2521 računalniških komponent iz različnih kategorij. Izvedli smo eksperiment na podlagi dveh scenarijev, ki sta se razlikovala po številu uporabnikov in raznolikosti konfiguracij. Rezultati so pokazali, da je bil osnovni priporočilni sistem daleč najpočasnejši, medtem ko so CBF, CF in hibridni sistem delovali bistveno hitreje. Glede natančnosti se je najbolje odrezal CBF. CF je dosegel nižje rezultate, medtem ko je osnovni sistem prejel najslabše ocene. Hibridni sistem je glede natančnosti ponovil rezultate CBF, kar je posledica omejenosti podatkov o uporabnikih, ki so zmanjšali vpliv CF komponente.
S pomočjo ankete, smo potrdili prvo hipotezo, saj sta CBF in hibridni pristop zagotovila bistveno boljša priporočila in višjo stopnjo zadovoljstva uporabnikov. Prav tako smo potrdili drugo hipotezo, saj so napredne metode, kot je uporaba metapodatkov in kombinacija različnih pristopov, omogočile bolj prilagojena priporočila. Tretja hipotezo smo potrdili z ugotovitvijo, da večji in bolj raznoliki podatkovni nabori povečajo sposobnost sistema za prilagajanje novim uporabniškim profilom in izboljšajo kakovost priporočil.
V zaključku smo poudarili pomen širitve uporabniške baze in zbiranja več interakcijskih podatkov, kar bi omogočilo boljše rezultate in posledično večjo učinkovitost hibridnega pristopa. |
|---|
