Стажировка по проекту
Компания: ООО «ВанДеливери»
Разработка рекомендательной системы для интернет-магазина
Суть проекта
Задача
Для чего
Вводные данные
Выходные данные
Создание автоматизированной рекомендательной системы для мобильных приложений на платформе One Delivery
1. Эффективный апсейл:Увеличение величины чека за счет эффективных рекомендаций
2. Автоматизация и исключение человеческого фактора: Автоматическая настройка списков рекомендаций для улучшения эффективности и актуальности
2. Автоматизация и исключение человеческого фактора: Автоматическая настройка списков рекомендаций для улучшения эффективности и актуальности
Данные по историям покупок через приложение
Рекомендации, сделанные на основе системы и визуального и сходства
Участники
1 команды проекта
1 команды проекта
- Терещенко АлексейТимлид проектаАлексей — руководитель группы разработчиков, отвечал за полную разработку проекта
- Лещинский ИгорьПомощник тимлидаИгорь помогал руководителю команды организовывать процесс разработки проекта
- Готова НатальяИСПОЛНИТЕЛЬНЫЙ ДИРЕКТОР АССОЦИАЦИИ СОДЕЙСТВИЯ ПРОИЗВОДИТЕЛЯМ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ В ЭЛЕКТРОЭНЕРГЕТИКЕ И ЖКХ «ИНСИСТ ЭНЕРГО»
- Проведен анализ датасета цветочного магазина с платформы Kaggle, включая изучение особенностей продукции, поведения клиентов и т.д.
- Применена матричная факторизация для анализа клиентов и товаров, разработана система рекомендаций для новых клиентов.
- Выявлены особенности повторных покупок и проблемы с кластеризацией и матричной факторизацией из-за отсутствия данных о периодичности и сезонности букетов.
- Проведена классификация цветов и изображений с использованием модели Resnet 50 на датасете Oxford flowers 102.
- Исследованы модели рекомендаций, такие как LightFM и Transformer, с оценкой их применимости при ограниченных данных.
- Разработан метод поиска сходства букетов по цветам RGB с использованием косинусного сходства.
- Начата разметка датасета по характеристикам букетов, включая тип обертки, цвет, стиль и т.д.
- Реализовано отображение сопутствующих товаров вместе с букетами, с учетом уже купленных товаров для предотвращения дублирования в корзине.
- Добавлены метрики, такие как количество просмотров и конверсий, в датасет, и разработан код для запуска функций рекомендаций на сервере в реальном времени
- Новикова Элинаспециалист по закупкам ООО НПФ Винар.
- Предобработка датасета с использованием библиотеки pandas, включая очистку и нормализацию данных;
- Добавление новых синтетических параметров к датасету для обогащения анализа и повышения точности последующей кластеризации;
- Кластеризация товаров и заказчиков с применением метода "локтя" для определения оптимального числа кластеров;
- Проработка метода Матричной факторизации, который не привел к значимому улучшению результатов;
- Разработка модели рекомендательной системы с использованием библиотеки LightFM, достижение результата с Precision = 0.61764705 и Recall = 0.8660535325241208;
- Применение модели TensorFlow Recommenders для построения рекомендательной системы, получение высокой точности с результатом factorized_top_k/top_5_categorical_accuracy: 0.9425;
- Анализ результатов и сравнение эффективности разных подходов к построению рекомендательных систем, включая оценку точности и полноты
- Фокша Иванинженер-испытатель ракетно-космических комплексов.
- Изучение различных методов компьютерного обнаружения схожих изображений, включая анализ научных и практических источников по теме;
- Оценка сложности, эффективности и применимости разнообразных алгоритмов для задачи поиска схожих изображений;
- Выбор наиболее подходящего метода, учитывая баланс между простотой реализации и эффективностью работы алгоритма;
- Реализация выбранного метода, включая написание программного кода и настройку необходимых параметров;
- Тестирование реализованного метода на различных наборах изображений для оценки его способности корректно обнаруживать схожие изображения;
- Анализ полученных результатов, включая оценку точности и скорости работы реализованного метода по сравнению с другими изученными подходами
Участники
2 команды проекта
2 команды проекта
- Ларина НинаПомощник тимлидаНина помогала руководителю команды организовывать процесс разработки проекта
- Зверев АлексейПредприниматель. Инвестиционная деятельность.
- Использована библиотека pandas для обработки исходного датасета, приведение его к нужному формату;
- Применена библиотека sweetviz для анализа и визуализации данных;
- Рассмотрены фреймворки QRec, Cornac и Tensorflow-Recommenders для базы рекомендательной системы;
- Выбран фреймворк Tensorflow-Recommenders из-за лучшего соответствия датасету и не требования больших объемов данных для обучения;
- Написан код в Jupyter Notebook (Google Colab) для скачивания, обработки данных и обучения модели, результат сохранён в формате csv;
- Код перенесён и адаптирован из Jupyter Notebook в Python с использованием виртуального окружения Python 3.11 и 3.10;
- Проект развернут на сервере Ubuntu 22.04 с базовым Python 3.10, настроено виртуальное окружение, установлены необходимые библиотеки, настроено логирование и проверена работоспособность
- Иванова АннаЭкономист-менеджер (антикризисное управление)
- Изучен материал по рекомендательным системам;
- Освоены навыки работы с табличными данными для подготовки дата фрейма;
- Определен алгоритм подготовки данных для нейронной сети;
- Написан код для создания рекомендательной системы на основе схожести цветовой гаммы цветов и букетов. Включает предобработку изображений, классификацию цветовой гаммы, создание признакового пространства, преобразование входных данных для модели НС, создание, обучение;
- Обучение, тестирование модели Random Forest и вывод графических результатов
- Смирнов АлексейГенеральный директор
- Предоставленные датасеты объединены с данными, полученными через GET-запрос, используя библиотеку pandas для обработки данных;
- Полученный итоговый датасет изучен и визуализирован с помощью библиотеки SWEETVIZ для получения более полного представления о его характеристиках;
- На основе обработанного датасета обучена нейронная сеть с использованием TensorFlow Recommenders (tfrs);
- Результаты обучения нейронной сети, представленные в виде рекомендаций для каждого заказчика, записаны в файл CSV;
- Реализована визуализация рекомендаций, отражающая сходство с предыдущими покупками заказчика. В случае отсутствия заказчика в базе данных, выдается рекомендация для последнего заказчика;
- Создана виртуальная машина на локальном компьютере с операционной системой Ubuntu 22.04. На этой виртуальной машине запланировано выполнение GET-запроса по расписанию для обновления данных
- Ямпольский АлександрЮрист
- Создание справочника по созданию рекомендательных систем;
- Анализ, предобработка, обработка, очистка данных, поиск аномалий (выбросов, шума и т.д.) в данных (Numpy, Pandas);
- Визуализация корреляций и результатов обучения с помощью Matplotlib, Seaborn.
- Построение моделей предсказания с использованием методов классического машинного обучения (sklearn);
- Создание фильтра для данных с помощью функций среды разработки;
- Создание гибридной рекомендательной системы
- Разживин ГеоргийЮрист
- Автоматизация скачивания данных с сервера заказчика и создание итогового датасета;
- Создание рекомендательной системы на основе автокодировщика и поиска похожих изображений товаров с помощью Евклидова расстояния;
- Работа над улучшением качества работы сети
Демонстрация проекта
1 команды
1 команды
Демонстрация проекта
2 команды
2 команды