Razvoj priporočilnega sistema za personalizacijo ponudbe trgovine s tekstilnimi izdelki

Gostiša, Karmen (author), Kukar, Matjaž (mentor)

V diplomskem delu se posvetimo problemu razvoja priporočilnega sistema za trgovino s tekstilnimi artikli na podlagi podatkov o nakupih. V prvem delu pregledamo teoretično ozadje priporočilnih sistemov in povezovalnih pravil. V nadaljevanju opišemo podatke in kvantitativno ter kvalitativno predstavimo njihove osnovne značilnosti. Podrobneje opišemo metode, s katerimi smo se lotili razvoja priporočilnega sistema in sicer, metodi najbližjih sosedov ter matrični razcep. Rezultate metod primerjamo z naivno metodo priporočanja najbolj priljubljenih artiklov in pri vseh dosežemo bistveno boljše rezultate. Najbolje se je izkazal matrični razcep, ki bi ga lahko uporabili v produkcijski aplikaciji.

• Language: Slovenian
• Keywords: priporočilni sistem, priporočanje na podlagi vsebine, priporočanje na podlagi sodelovanja, strojno učenje, matrični razcep, povezovalna pravila
• Work type: Bachelor thesis/paper
• Organization: FRI - Faculty of Computer and Information Science
• Year: 2017
• PID: 20.500.12556/RUL-95917
• Publication date in RUL: 25.09.2017

GOSTIŠA, Karmen, 2017, Razvoj priporočilnega sistema za personalizacijo ponudbe trgovine s tekstilnimi izdelki [online]. Bachelor’s thesis. [Accessed 5 April 2025]. Retrieved from: https://repozitorij.uni-lj.si/IzpisGradiva.php?lang=eng&id=95917

Secondary language

• Language: English
• Title: Recommender system for personalized assortment in a clothing store

Abstract

In the diploma thesis we are dealing with the problem of developing a recommender system for a clothing store based on transaction data. We start with theoretical basics about recommenders and association rules. Afterwards we describe data and represent its quantitative and qualitative aspects. We continue with the detailed explanation of implemented methods, namely, nearest neighbors and matrix factorization. In the end we compare the results of our methods with naive method of recommending most popular products, achieving much better results. Matrix factorization produced the best results and we would use it in production.

• Keywords: recommender system, content-based filtering, collaborative filtering, machine learning, matrix factorization, association rules