Modele rekomendacyjne wspólnej filtracji w serwisach ogłoszeniowych
| dc.contributor.advisor | Górecki, Tomasz. Promotor | |
| dc.contributor.advisor | Filipowska, Agata Jolanta. Promotor pomocniczy | |
| dc.contributor.author | Kwieciński, Robert | |
| dc.date.accessioned | 2024-05-16T09:41:06Z | |
| dc.date.available | 2024-05-16T09:41:06Z | |
| dc.date.issued | 2024 | |
| dc.description | Wydział Matematyki i Informatyki | |
| dc.description.abstract | W wielu praktycznych zastosowaniach liczba dostępnych produktów jest zbyt duża, by użytkownicy byli w stanie się z nimi zapoznać. Problem ten adresują systemy rekomendacyjne. W rozprawie przedstawiamy wyniki badań dotyczących modeli wspólnej filtracji w serwisach ogłoszeniowych, na przykładzie serwisów Grupy OLX. W prezentowanej pracy omawiamy szczególne cechy serwisów ogłoszeniowych mające wpływ na dobór metod rekomendacji oraz ewaluacji. Przedstawiamy wyniki ewaluacji offline oraz online dla istniejących modeli oraz pokazujemy przewagę modelu RP3Beta nad pozostałymi metodami. Przedstawiamy infrastrukturę pozwalającą na generowanie rekomendacji w czasie rzeczywistym oraz pokazujemy możliwość jej zastosowania dla wielu istniejących modeli rekomendacji. Prezentujemy wyniki testów A/B pokazujących skuteczność proponowanego rozwiązania. Wprowadzamy nową grafową metodę rekomendacji, P3LTR, będącą uogólnieniem modelu RP3Beta. Pokazujemy przewagę modelu P3LTR nad modelem RP3Beta pod względem metryk dokładności oraz pokrycia podczas ewaluacji offline. Proponujemy także nową grafową sieć neuronową, P3GNN. Pokazujemy jej przewagę pod względem metryk dokładności nad istniejącymi grafowymi sieciami neuronowymi. Prezentujemy także opublikowany przez autora zbiór danych oraz proces skutecznego wdrożenia omawianych rozwiązań w serwisach Grupy OLX. In many practical applications, the number of available products often exceeds what users can feasibly familiarize themselves with. Recommendation systems address this problem. In the dissertation, we present the results of a study on collaborative filtering models in online classifieds, using OLX Group’s websites as examples. In this work, we discuss the specific characteristics of online classifieds that influence the selection of recommendation and evaluation methods. We present offline and online evaluation results for existing models and show the advantage of the RP3Beta model over other methods. We present the infrastructure created to generate recommendations in real-time and show its applicability to many existing recommendation models. We present the results of A/B tests showing the effectiveness of the proposed solution. We introduce a new graph-based recommendation method, P3LTR, which is a generalisation of the RP3Beta model. We demonstrate the advantage of the P3LTR model over the RP3Beta model in terms of accuracy and coverage metrics during offline evaluation. We also propose a new graph neural network, P3GNN. We show its superiority in terms of accuracy metrics over existing graph neural networks. We also present a dataset published by the author and the process of successful implementation of the discussed solutions on OLX Group's websites. | |
| dc.identifier.uri | https://hdl.handle.net/10593/27712 | |
| dc.language.iso | pl | |
| dc.subject | systemy rekomendacyjne | |
| dc.subject | modele wspólnej filtracji | |
| dc.subject | serwisy ogłoszeniowe | |
| dc.subject | testy A/B | |
| dc.subject | recommender systems | |
| dc.subject | collaborative filtering | |
| dc.subject | online classifieds | |
| dc.subject | A/B tests | |
| dc.title | Modele rekomendacyjne wspólnej filtracji w serwisach ogłoszeniowych | |
| dc.title.alternative | Collaborative filtering recommender systems in online classifieds | |
| dc.type | info:eu-repo/semantics/doctoralThesis |