A Recommender System for an Online Auction

Loading...
Thumbnail Image
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu | Master's thesis
Date
2016-08-23
Department
Major/Subject
Systems and Operations Research
Mcode
SCI3055
Degree programme
Master’s Programme in Mathematics and Operations Research
Language
en
Pages
85 + 7
Series
Abstract
The development of recommender systems arise from the observation that individuals often rely on recommendations provided by others. Recently, new electronic business services with massive amount of information for users to filter, have caused a pressing need for recommender systems. Yet, displaying irrelevant items on electronic commerce sites may drive away potential customers and lead to loss of business opportunities. In this thesis, a recommender system is built for a major Finnish online auction site. This thesis aims to build a recommender system that makes the front page of the auction site more relevant and personalized for the users of the site. This is achieved by allowing the recommender system to generate item recommendations to display on the front page. In order to find a suitable recommender system for the auction site, a total of seven different recommender systems are built and compared. The evaluation is based on predictive accuracy of the recommenders, and it is done in an offline simulation using the browsing history of the auction site users. Most of the literature on recommender systems assume that items to be recommended are static and non-unique. However, in this thesis, recommendations need to be made in a dynamic environment where items are short-lived and unique. The problem is approached by creating a general recommendation process that can be used as a basis for content-based recommenders that use natural language processing methods for representing auction items as vectors. The evaluation results show that good predictive accuracy can be achieved with recommenders that are based on totally different approaches. The neural-network based Word2Vector (W2V) model and more traditional Term Frequency-Inverse Term Frequency (TFIDF) based models work well on recommending new items to the users. On the other hand, the results suggest that users tend to revisit items they have previously visited, and offering a shortcut to previously visited items on the front page might be reasonable.

Yksilöt usein turvautuvat päätöksenteossaan toisten antamiin suosituksiin, oli kyse sitten esimerkiksi musiikista, kirjoista tai elokuvista. Suosittelujärjestelmien kehitys on peräisin tästä havainnosta. Viime vuosina sähköisen liiketoiminnan kehityksen ja kasvavan informaatiomassan myötä suositusjärjestelmille on syntynyt kasvava tarve. Irrelevantit ja personoimattomat elektronisen liiketoiminnan sivustot voivat pahimmillaan ajaa pois potentiaalisia asiakkaita ja johtaa taloudellisiin tappioihin liiketoiminnassa. Tässä työssä rakennetaan personointia edistävä suositusjärjestelmä suurelle suomalaiselle nettihuutokaupalle. Työssä on tavoitteena rakentaa suositusjärjestelmä, joka tekee nettihuutokaupan etusivusta relevantimman ja personoidumman sen käyttäjille. Tämä saavutetaan suositusjärjestelmällä, joka tekee käyttäjän selaushistorian perusteella huutokaupan etusivulle personoituja huutokauppakohdesuosituksia. Sopivan suositusjärjestelmän löytämiseksi työssä vertaillaan ja evaluoidaan yhteensä seitsemän eri suositusjärjestelmää. Evaluointi perustuu suositusjärjestelmien ennustustarkkuuteen, ja se toteutetaan offline-simulaatiolla hyödyntäen käyttäjien selaushistoriaa. Suuri osa suositusjärjestelmiin liittyvästä kirjallisuudesta olettaa suositeltavien kohteiden tai esineiden olevan staattisia ja ei-uniikkeja. Näin ei kuitenkaan ole huutokaupassa, minkä vuoksi tässä työssä suositusjärjestelmän tulee kyetä suosittelemaan lyhytikäisiä ja uniikkeja kohteita. Työssä ongelmaa lähestytään luomalla yleinen suositusprosessi, joka toimii pohjana sisältöperusteisille suositusjärjestelmille, jotka hyödyntävät luonnollisen kielen prosessoinnin menetelmiä huutokauppa-kohteiden esittämisessä vektorina. Tulosten perusteella hyvä ennustetarkkuus voidaan saavuttaa erilaisiin lähestymistapoihin perus-tuvilla suositusjärjestelmillä. Sekä neuroverkkoihin perustuva Word2Vector (W2V) että Term Frequency-Inverse Term Frequency (TFIDF) – mallit soveltuvat ennustetarkkuudeltaan parhaiten käyttäjälle uusien kohteiden suosittelemiseen. Tulosten perusteella käyttäjille voisi olla järkevää suositella myös samoja kohteita, joissa he ovat aiemmin käyneet, ja näin ollen tehdä etusivusta käyttäjäystävällisempi tarjoamalla suora oikotie aiempiin kohteisiin.
Description
Supervisor
Salo, Ahti
Thesis advisor
Gävert, Hugo
Keywords
recommender system, natural language processing, online auction, content-based filtering
Other note
Citation