Personalizuotų pasiūlymų formavimas, taikant duomenų gavybos metodus
Baigiamajame magistro darbe analizuojami rekomendacinių sistemų metodai siekiant suformuoti personalizuotus pasiūlymus. Turimiems duomenims pritaikomi skirtingi algoritmai ir jų rezultatai palyginami.Pagrindinis darbo tikslas - ištirti metodus, kurie pagal vartotojų pirkimų įpročius ir kitus požymius prognozuotų ir pateiktų personalizuotus pasiūlymus.Turimiems duomenims pritaikomas turiniu paremto kosinusų panašumo algoritmas, kuris pateikia panašiausias prekes. Palyginami ir pritaikomi vieno nuolydžio, k-artimiausių kaimynų, ypatingųjų reikšmių dekompozicijos ir koklasterio algoritmai. Tiksliausiai veikiantys algoritmai įgyvendinami kuriant rekomendacijas interneto svetainėje ir tiesioginės rinkodaros pranešimuose.Baigiamąjį darbą sudaro: įvadas, analitinė dalis, tiriamoji bei projektinė dalys, išvados ir pasiūlymai, literatūros sąrašas.
In this master thesis methods of recommendation systems are analyzed in order to form personalized offers. Different algorithms are applied to the existing data set and then results are compared.The main purpose of this thesis is to analyze methods that could predict and provide personalized offers based on consumer purchasing habits and other relevant indications.A content-based cosine similarity algorithm is applied for the available data and provides similar products. Slope One, k-nearest neighbors, singular value decomposition and cocluster algorithms are compared and then applied accordingly.The best-performing algorithms are implemented through website recommendations and direct marketing messages.Thesis consists of the following parts: introduction, analysis, research, a completed project description, conclusions, offers and list of used literature.Extent of the thesis - 63 p. of explanatory text, 33 pictures, 28 tables and 26 sources of literature.