ГЛОССАРИЙ 3
ВВЕДЕНИЕ 4
ОСНОВНАЯ ЧАСТЬ 6
1. Поиск ассоциативных правил 6
1.1. Свойство анти-монотонности 13
1.2. Алгоритм Apriori 15
1.3. Алгоритм Eclat 17
1.4. Алгоритм FP-Growth 18
1.5. Сравнение алгоритмов 23
1.6. Анализ данных интернет-ресторана 28
2. Сервис для голосового ассистента 30
ЗАКЛЮЧЕНИЕ 37
СПИСОК ЛИТЕРАТУРЫ 38
ПРИЛОЖЕНИЕ 41
Кросс-продажи — это механика повышения среднего чека заказа за счет рекомендации сопутствующих товаров. По оценкам, 35% доходов Amazon приходится на перекрестные продажи [3]. Однако стоит отметить, что рекомендация товара не должна быть произвольной или стандартной (например, любой товар из категории «топ-продаж»), иначе такое предложение теряет свою ценность [4]. Для внедрения работающих правил необходимо провести анализ накопленных данных.
Механизм кросс-продаж используется как в электронной коммерции, так и в оффлайн. Наряду с веб и мобильными приложениями существует еще точки для заказа товаров, например, голосовой ассистент. Однако далеко не все компании для своего бизнеса разрабатывают сервисы для голосового ассистента и применяют в них механизмы кросс-продаж.
Целью данной работы является разработка механизма кросс-продаж для применения его в голосовом ассистенте.
Для достижения поставленной цели необходимо выполнить следующие задачи:
• анализ существующих алгоритмов поиска ассоциативных правил;
• сравнение выбранных алгоритмов на тестовых и реальных данных, выбор оптимального;
• анализ транзакционной базы данных ресторана с помощью выбранного алгоритма и выявление ассоциативных правил;
• реализация сервиса для голосового ассистента «Алиса» для заказа еды из ресторана и применение выявленных ассоциативных правил;
• развёртывание и тестирование навыка.
Практическая значимость обусловлена повышением персонализации бизнеса в электронной коммерции и увеличением лояльности клиентов и прибыли компании. Техническая новизна работы состоит в разработке сервиса для голосового интерфейса и применением в нем механизма кросс-продаж, основанного на машинном обучении.
Объектом исследования является применение анализа данных в кросс- продажах. Предмет исследования – персонализация, предоставление диалогового интерфейса для клиентов.
Войти
в кабинет
в кабинет
' .
Пролистайте материалы и убедитесь в качестве
Разработка механизма кросс-продаж с применением методов машинного обучения в голосовом ассистенте #9103759
Артикул: 9103759
- Предмет: Программная инженерия
- Уникальность: 70% (Антиплагиат.ВУЗ)
- Разместил(-а): 185 Рамиль в 2021 году
- Количество страниц: 44
- Формат файла: zip
1 999p.
1. Микулич, И. М. Интеллектуальный анализ в бизнесе: ассоциативные правила / И. М. Микулич, О. В. Балтак // Экономический рост Республики Беларусь: глобализация, инновационность, устойчивость : Материалы XIII Международной научно-практической конференции, Минск, 14 мая 2020 года / Редколлегия: В.Ю. Шутилин (отв. ред.) [и др.].
– Минск: Белорусский государственный экономический университет, 2020. – С. 392-393.
2. The Bell: Действительно большие данные: как big data помогает компаниям зарабатывать [Электронный ресурс]. — Режим доступа: https://thebell.io/dejstvitelno-bolshie-dannye-kak-big-data-pomogaet- kompaniyam-zarabatyvat (дата обращения: 01.06.21).
3. Invesp: The Importance of Cross Selling and E-commerce Product Recommendations – Statistics and Trends [Электронный ресурс]. — Режим доступа: https://www.invespcro.com/blog/e-commerce-product- recommendations (дата обращения: 01.06.21).
4. Фрэнкс Б. Укрощение больших данных: Как извлекать знания из массивов информации с помощью глубокой аналитики. - Москва, "Манн, Иванов и Фербер", 2014.
5. Тучкова, А. С. Термин "Data mining". Задачи,решаемые методами data mining / А. С. Тучкова, П. П. Кондрашева // Тенденции развития науки и образования. – 2019. – № 55-2. – С. 27-30. – DOI 10.18411/lj-10-2019-26.
6. Loginom: Анализ рыночной корзины [Электронный ресурс]. — Режим доступа: https://wiki.loginom.ru/articles/market-basket-analysis.html (дата обращения: 01.06.21).
7. Школа больших данных: CRISP-DM [Электронный ресурс]. — Режим доступа: https://www.bigdataschool.ru/wiki/crisp-dm (дата обращения: 01.06.21).
8. Курейчик, В. В. Метод поиска последовательных паттернов поведения пользователей в интернет-пространстве / В. В. Курейчик, В. В. Бова, Ю. А. Кравченко // Известия ЮФУ. Технические науки. – 2020. – № 4(214).– С. 6-21. – DOI 10.18522/2311-3103-2020-4-6-21.
9. Гальперина, А. А. Методы поиска ассоциативных правил / А. А. Гальперина, И. И. Махмутова // Аллея науки. – 2020. – Т. 1. – № 1(40).– С. 823-826.
10. Бурец, А. С. Ассоциативные правила и алгоритмы их поиска / А. С. Бурец // Научные вести. – 2019. – № 12(17). – С. 86-96.
11. Agrawal R., Srikant R. Fast Algorithms for Mining Association Rules in Large Databases // Journal of Computer Science and Technology, vol. 15, Issue 6, p.487–499, 1994.
12. Городок, А. Э. Интеллектуальный анализ данных: выделение ассоциаций с помощью алгоритма априори / А. Э. Городок, Н. В. Марковская // Big Data and Advanced Analytics. – 2020. – № 6-2. – С. 351- 362.
13. Олянич, И. А. Сравнение алгоритмов построения ассоциативных правил на основе набора данных покупательских транзакций / И. А. Олянич // Известия Самарского научного центра Российской академии наук. – 2018. – Т. 20. – № 6-2(86). – С. 379-382.
14. Лойша, С. Ю. Алгоритм поиска ассоциативных правил eclat / С. Ю. Лойша // Студенческий вестник. – 2018. – № 29-1(49). – С. 62-65.
15. Loginom: FPG — альтернативный алгоритм поиска ассоциативных правил [Электронный ресурс]. — Режим доступа: https://loginom.ru/blog/fpg (дата обращения: 01.06.21).
16. Jiawei H., Jian P., Yiwen Y., Runying M. Mining frequent patterns without candidate generation // Data Mining and Knowledge Discovery, vol. 8, p.53– 87, 2004
17. Mentamore: Самые популярные голосовые помощники [Электронный ресурс]. — Режим доступа: https://mentamore.com/covremennye-texnologii/populyarnye-golosovye-pomoshhniki.html (дата обращения: 01.06.21).
18. Ведомости: Голосовой помощник «Яндекса» будет принимать заказы на доставку пиццы «Папа Джонс» [Электронный ресурс]. — Режим доступа: https://www.vedomosti.ru/technology/articles/2018/02/09/750426- pomoschnik-yandeksa-zakazi-pitstsi (дата обращения: 01.06.21).
19. Навыки Алисы: Еда и напитки [Электронный ресурс]. — Режим доступа: https://dialogs.yandex.ru/store/categories/food_drink (дата обращения: 01.06.21).
– Минск: Белорусский государственный экономический университет, 2020. – С. 392-393.
2. The Bell: Действительно большие данные: как big data помогает компаниям зарабатывать [Электронный ресурс]. — Режим доступа: https://thebell.io/dejstvitelno-bolshie-dannye-kak-big-data-pomogaet- kompaniyam-zarabatyvat (дата обращения: 01.06.21).
3. Invesp: The Importance of Cross Selling and E-commerce Product Recommendations – Statistics and Trends [Электронный ресурс]. — Режим доступа: https://www.invespcro.com/blog/e-commerce-product- recommendations (дата обращения: 01.06.21).
4. Фрэнкс Б. Укрощение больших данных: Как извлекать знания из массивов информации с помощью глубокой аналитики. - Москва, "Манн, Иванов и Фербер", 2014.
5. Тучкова, А. С. Термин "Data mining". Задачи,решаемые методами data mining / А. С. Тучкова, П. П. Кондрашева // Тенденции развития науки и образования. – 2019. – № 55-2. – С. 27-30. – DOI 10.18411/lj-10-2019-26.
6. Loginom: Анализ рыночной корзины [Электронный ресурс]. — Режим доступа: https://wiki.loginom.ru/articles/market-basket-analysis.html (дата обращения: 01.06.21).
7. Школа больших данных: CRISP-DM [Электронный ресурс]. — Режим доступа: https://www.bigdataschool.ru/wiki/crisp-dm (дата обращения: 01.06.21).
8. Курейчик, В. В. Метод поиска последовательных паттернов поведения пользователей в интернет-пространстве / В. В. Курейчик, В. В. Бова, Ю. А. Кравченко // Известия ЮФУ. Технические науки. – 2020. – № 4(214).– С. 6-21. – DOI 10.18522/2311-3103-2020-4-6-21.
9. Гальперина, А. А. Методы поиска ассоциативных правил / А. А. Гальперина, И. И. Махмутова // Аллея науки. – 2020. – Т. 1. – № 1(40).– С. 823-826.
10. Бурец, А. С. Ассоциативные правила и алгоритмы их поиска / А. С. Бурец // Научные вести. – 2019. – № 12(17). – С. 86-96.
11. Agrawal R., Srikant R. Fast Algorithms for Mining Association Rules in Large Databases // Journal of Computer Science and Technology, vol. 15, Issue 6, p.487–499, 1994.
12. Городок, А. Э. Интеллектуальный анализ данных: выделение ассоциаций с помощью алгоритма априори / А. Э. Городок, Н. В. Марковская // Big Data and Advanced Analytics. – 2020. – № 6-2. – С. 351- 362.
13. Олянич, И. А. Сравнение алгоритмов построения ассоциативных правил на основе набора данных покупательских транзакций / И. А. Олянич // Известия Самарского научного центра Российской академии наук. – 2018. – Т. 20. – № 6-2(86). – С. 379-382.
14. Лойша, С. Ю. Алгоритм поиска ассоциативных правил eclat / С. Ю. Лойша // Студенческий вестник. – 2018. – № 29-1(49). – С. 62-65.
15. Loginom: FPG — альтернативный алгоритм поиска ассоциативных правил [Электронный ресурс]. — Режим доступа: https://loginom.ru/blog/fpg (дата обращения: 01.06.21).
16. Jiawei H., Jian P., Yiwen Y., Runying M. Mining frequent patterns without candidate generation // Data Mining and Knowledge Discovery, vol. 8, p.53– 87, 2004
17. Mentamore: Самые популярные голосовые помощники [Электронный ресурс]. — Режим доступа: https://mentamore.com/covremennye-texnologii/populyarnye-golosovye-pomoshhniki.html (дата обращения: 01.06.21).
18. Ведомости: Голосовой помощник «Яндекса» будет принимать заказы на доставку пиццы «Папа Джонс» [Электронный ресурс]. — Режим доступа: https://www.vedomosti.ru/technology/articles/2018/02/09/750426- pomoschnik-yandeksa-zakazi-pitstsi (дата обращения: 01.06.21).
19. Навыки Алисы: Еда и напитки [Электронный ресурс]. — Режим доступа: https://dialogs.yandex.ru/store/categories/food_drink (дата обращения: 01.06.21).
Материалы, размещаемые в каталоге, с согласия автора, могут использоваться только в качестве дополнительного инструмента для решения имеющихся у вас задач,
сбора информации и источников, содержащих стороннее мнение по вопросу, его оценку, но не являются готовым решением.
Пользователь вправе по собственному усмотрению перерабатывать материалы, создавать производные произведения,
соглашаться или не соглашаться с выводами, предложенными автором, с его позицией.
| Тема: | Разработка механизма кросс-продаж с применением методов машинного обучения в голосовом ассистенте |
| Артикул: | 9103759 |
| Дата написания: | 25.04.2021 |
| Тип работы: | Магистерская диссертация |
| Предмет: | Программная инженерия |
| Оригинальность: | Антиплагиат.ВУЗ — 70% |
| Количество страниц: | 44 |
В работе представлены только пояснительная записка и листинг программы. Самой программы нет
Файлы артикула: Разработка механизма кросс-продаж с применением методов машинного обучения в голосовом ассистенте по предмету программная инженерия
Пролистайте "Разработка механизма кросс-продаж с применением методов машинного обучения в голосовом ассистенте" и убедитесь в качестве
После покупки артикул автоматически будет удален с сайта до 23.02.2025
Посмотреть остальные страницы ▼
Честный антиплагиат!
Уникальность работы — 70% (оригинальный текст + цитирования, без учета списка литературы и приложений), приведена по системе Антиплагиат.ВУЗ на момент её написания и могла со временем снизиться. Мы понимаем, что это важно для вас, поэтому сразу после оплаты вы сможете бесплатно поднять её. При этом текст и форматирование в работе останутся прежними.
Гарантируем возврат денег!
Качество каждой готовой работы, представленной в каталоге, проверено и соответствует описанию. В случае обоснованных претензий мы гарантируем возврат денег в течение 24 часов.
Утром сдавать, а работа еще не написана?
Через 30 секунд после оплаты вы скачаете эту работу!
Сегодня уже купили 31 работу. Успей и ты забрать свою пока это не сделал кто-то другой!
ПРЕДЫДУЩАЯ РАБОТА
Организация управленческого учета и анализа затрат по видам деятельности на примере ООО «АФК Премиум»
СЛЕДУЮЩАЯ РАБОТА
Разработка ML-моделей для распознавания паттернов на графиках финансового рынка