Исследование различных алгоритмов машинного обучения и разработка прототипа рекомендательной системы для розничной торговли на основе алгоритмов машинного обучения

Научно-технический отчет на 61 листе, содержит 6 иллюстраций, 2 таблицы, 4 главы и 14 источников. Ключевые слова: машинное обучение, нейронные сети, кластерный анализ, прототип, классификация, рекомендательные системы. Цель работы. Целью данной работы являлась разработка прототипа рекомендательной системы с использованием алгоритмов машинного обучения, которая позволит на основе текущей корзины покупок рекомендовать покупателю релевантные покупки, основанные на данных о чеках других покупателей. Результаты работы, основные характеристики прототипа. В результате работы было проведено исследование различных алгоритмов машинного обучения, был разработан и протестирован прототип рекомендательной системы для розничной торговли на основе алгоритмов машинного обучения. Разработанный прототип обладает всеми заявленными характеристиками, в частности: Функции, выполнение которых обеспечивает разработанный прототип: 1. Подбор рекомендаций на основе текущей корзины пользователя со следующими характеристиками: а) рекомендации должны быть релевантными не мене 80% (рекомендуемые товары должны быть связаны логически с товарами в корзине) б) для рекомендаций должна быть возможность выбора критериев сортировки у заказчика (рекомендовать наиболее дорогие товары, рекомендовать наиболее дешевые товары, рекомендовать товары с максимальной наценкой, рекомендовать товары определенных производителей, рекомендовать товары определенной товарной группы и т.д.) 2. Импорт данных из внешних систем в формате CSV или подобном 3. Взаимодействие с внешними приложениями через реализованный REST протокол 4. Для прототипа должна быть реализована интеграция с базой данных (MySQL или PostgreSQL) 5. Реализовать ввод и вывод результатов в виде REST API с применением формата JSON Количественные параметры разработанного прототипа: В результате тестирования было установлено, что возможность загрузки в систему данных о продажах не менее 10000 тысяч чеков, содержащих в среднем не менее 10 позиций (100000 позиций) формат в формате CSV занимает приблизительно 3-5 секунд, а объем занимаемого дискового пространства возрастает всего на 45-50 мегабайт, при этом поскольку обработка данных происходит в каждом потоке последовательно, объем задействованной ОЗУ зависит только от количества потоков, не более 60 мб. на один поток. Запрос рекомендаций проводился на базе данных содержащей более 1 млн. записей (позиций в чеках). При запросе рекомендаций по чеку время обработки запроса в зависимости от количества товаров в чеке изменяется. Для запросов с 3 товарами 0,05-0,1 сек., для запросов с 20 товарами время приближается к 0,2-0,3 секунд, что достаточно в соответствии с выдвигаемыми к разрабатываемому прототипу требованиями. Для тестирования отказоустойчивости был разработан код выполняющий по 30 запросов к сервису на получение рекомендаций в минуту в параллельных потоках, при этом запросы в течении минуты распределены случайным образом. Данные для запроса рекомендаций так же случайным образом выбирались из тестового набора данных. Размер чека составлял от 3 до 20 наименований. Велось логирование запросов и ответов как на сервере так и на клиенте, в случае возникновения ошибок ошибки записывались в лог вместе с успешно проведенными запросами. Так же на сервере периодически сохранялось текущее состояние системы, в частности объем свободной памяти, уровень загрузки CPU и использование диска на чтение и запись. Тестирование проводилось на протяжении недели. В результате было установлено, что имеющаяся конфигурация сервера избыточна. Уровень загрузки оперативной памяти не превышал 25%, уровень загрузки процессора 10%, уровень загрузки диска на чтение не более 30%, уровень загрузки на запись не более 4%. Степень внедрения. Разработанный прототип готов к тестовому внедрению. Рекомендации по внедрению. Рекомендуется проводить первое внедрение прототипа в предприятиях розничной торговли в качестве вспомогательной системы для продавцов консультантов, либо на сайтах уже имеющих определенный набор исторических данных по продажам. Область применения. Разрабатываемая система предназначена для увеличения продаж розничных и оптово-розничных оффлайн и онлайн магазинов, среднего чека и конверсии путем генерации рекомендаций для покупателя на основе его текущей корзины покупок. Так же повышается удовлетворенность покупателя. Потребителями разрабатываемой инновационной продукции являются онлайн и оффлайн магазины оптовой и розничной торговли, а так же их клиенты. Объекты ИС полученные в результате работы. Получено свидетельство о регистрации программы для ЭВМ 2021615975 «Рекомендательная система для розничной торговли на основе алгоритмов машинного обучения» В целом работа выполнена успешно, все цели НИОКР, были достигнуты. Выбраны алгоритмы для применения при разработке прототипа рекомендательной системы для розничной торговли, на основе алгоритмов машинного обучения позволили разработать прототип рекомендательной системы, данный прототип был протестирован и показал свою эффективность и соответствие поставленным требованиям.