Chi vende online raccoglie ogni giorno dati di vendita, percorsi di navigazione e informazioni sui prodotti.
Questi dati diventano utili solo se qualcuno li trasforma in conoscenza. Su questo tema Dyrecta Lab, in qualità di Istituto di ricerca e laboratorio scientifico riconosciuto dal MUR, ha presentato lo studio “Modeling an e-Commerce Hybrid Recommender System Based on Machine Learning Algorithms”. Il lavoro è pubblicato negli atti della 15th International Conference on Agents and Artificial Intelligence (ICAART 2023). Gli autori sono Antonio Panarese, Giuseppina Settanni e Angelo Galiano.
Perché un sistema di raccomandazione è strategico per l’e-commerce
Il cliente di un sito e-commerce ha spesso davanti un’offerta ampia di prodotti, tra cui scegliere diventa difficile. Un sistema di raccomandazione per l’e-commerce, basato su modelli di machine learning, suggerisce all’utente gli articoli più vicini ai suoi interessi, individuando nei dati storici schemi ricorrenti, utili a prevedere i comportamenti futuri.
Il modello ibrido: clustering k-means e algoritmo XGBoost
La ricerca propone un sistema di raccomandazione ibrido basato sull’uso combinato di algoritmi di clustering e XGBoost.
Il modello XGBoost effettua una previsione dei coefficienti di valutazione dell’utente per articoli che non ha ancora giudicato. L’analisi dei clustering viene effettuata sui dati sia dei clienti che degli articoli. Questa metodologia consente di segmentare gli utenti in sottogruppi, poiché un utente può avere interessi variegati e appartenere a un sottogruppo diverso a seconda degli articoli. Il clustering degli utenti in sottogruppi correlati a gruppi di articoli porta a una maggiore precisione nell’output del modello XGBoost.
Come funziona il sistema, dalla raccolta dei dati al suggerimento
Il modello si sviluppa in quattro fasi.
- Pre-elaborazione dei dati. I dati di vendita, di navigazione e di prodotto raccolti dalla piattaforma vengono puliti, integrati, ridotti e trasformati.
- Modellazione delle caratteristiche. Due modelli di clustering k-means segmentano separatamente gli utenti e gli articoli, raggruppandoli per affinità. Per gli utenti contano età, interessi, frequenza di acquisto, pagine visitate e categorie di prodotto.
- L’algoritmo XGBoost riceve due input: la matrice utente-prodotto costruita sullo storico (acquisti, opinioni, schede consultate) e i risultati del clustering. Con questi stima il gradimento di ciascun cliente per i prodotti che non ha ancora valutato.
- Il modello viene verificato in termini di accuratezza e di tempi di calcolo.
A ogni utente vengono quindi proposti gli articoli con il punteggio stimato più alto. La segmentazione in sottogruppi utente-prodotto tiene conto di un fatto concreto: la stessa persona può avere gusti diversi a seconda della categoria merceologica. Il modello è stato sviluppato in Python con le librerie TensorFlow, Keras, scikit-learn e XGBoost. I valori ottimali dei parametri necessari per il pre-addestramento sono stati ottenuti automaticamente utilizzando la funzione GridSearchCV. L’80% dei dati storici è stato usato per l’addestramento e il restante 20% per la validazione.
Per maggiori informazioni, approfondisci qui:
https://doi.org/10.5220/0011745700003393
