Thesis (Selection of subject)Thesis (Selection of subject)(version: 368)
Thesis details
   Login via CAS
E-commerce platform designed for continuous optimization and personalization
Thesis title in Czech: E-commerce platforma s podporou kontinuální optimalizace a personalizace
Thesis title in English: E-commerce platform designed for continuous optimization and personalization
Key words: e-commerce|A/B testing|multi-armed bandits
English key words: e-commerce|A/B testing|multi-armed bandits
Academic year of topic announcement: 2021/2022
Thesis type: diploma thesis
Thesis language: angličtina
Department: Department of Software Engineering (32-KSI)
Supervisor: Mgr. Ladislav Peška, Ph.D.
Author: Mgr. Peter Dräxler - assigned and confirmed by the Study Dept.
Date of registration: 11.03.2022
Date of assignment: 14.03.2022
Confirmed by Study dept. on: 29.03.2022
Date and time of defence: 06.09.2023 09:00
Date of electronic submission:21.07.2023
Date of submission of printed version:24.07.2023
Date of proceeded defence: 06.09.2023
Opponents: Ing. David Bernhauer
 
 
 
Guidelines
Cílem práce je vyvinout e-commerce platformu, která bude kromě běžných e-commerce funkcí podporovat kontinuální monitoring a optimalizaci vlastní funkčnosti (jak z hlediska uživatele, tak i provozovatele). Toto zahrnuje například sběr komplexních dat o využívání systému a jeho jednotlivých komponent, podporu pro administraci a vyhodnocování A/B testů, testování/implementace variant jednotlivých funkcionalit pomocí (contextual) multi-armed bandits, nebo personalizaci zobrazovaného obsahu pro jednotlivé uživatele či jejich skupiny.

Řešitel se nejprve seznámí s vhodnými technologiemi pro vývoj produktu (např. Blazor WebAssembly, Node.js, Ember.js, REST, GraphQL,...), problematikou podpory testování a optimalizace v kontextu information retrieval (A/B testing, multi-armed bandits, reinforcement learning, off-line vs. on-line evaluace, counterfactual learning) a problematikou personalizace (content-based / collaborative / session-based recommender systems). Následně řešitel navrhne a implementuje vhodné řešení. Předpokládá se zaměření především na uživatelskou část e-commerce platformy s možným využitím / rozšířením existujícího backendu (administrátorské části). Předpokládá se, že implementace bude vytvářena s přihlédnutím ke konkrétní zvolené doméně (např. rozložení/škálování jednotlivých komponent), nicméně samotné řešení by mělo být dostatečně obecné pro nasazení i na jiných doménách.
References
1. Ricci, F. et al (Eds): Recommender Systems Handbook, Springer, 2011
2. Jannach, D. et al (Eds): Recommender Systems: An Introduction, Cambridge University Press, 2011
3. Massimo Quadrana, Alexandros Karatzoglou, Balázs Hidasi, Paolo Cremonesi: Personalizing Session-based Recommendations with Hierarchical Recurrent Neural Networks. RecSys 2017: 130-137
4. Dietmar Jannach, Malte Ludewig: When Recurrent Neural Networks meet the Neighborhood for Session-Based Recommendation. RecSys 2017: 306-310
5. Björn Brodén, Mikael Hammar, Bengt J. Nilsson, and Dimitris Paraschakis. 2018. Ensemble Recommendations via Thompson Sampling: an Experimental Study within e-Commerce. IUI '18, ACM
6. Marius Kaminskas, Derek Bridge, Franclin Foping and Donogh Roche: Product-Seeded and Basket-Seeded Recommendations for Small-Scale Retailers, Journal on Data Semantics, pp.1-12, 2016.
7. Masahiro Sato, Hidetaka Izumo, and Takashi Sonoda. Discount Sensitive Recommender System for Retail Business. EMPIRE '15, ACM
8. Harald Steck: Calibrated recommendations, https://dl.acm.org/doi/10.1145/3240323.3240372
9. Dietmar Jannach, Malte Ludewig, Lukas Lerche: Session-based Item Recommendation in E-Commerce, UMUAI 2017
10. Ladislav Peska, Peter Vojtás: Off-line vs. On-line Evaluation of Recommender Systems in Small E-commerce. HT 2020: 291-300
11. S Balcar, V Skrhak, L Peska: Rank-sensitive proportional aggregations in dynamic recommendation scenarios, UMUAI 2022
12. Lihong Li, Wei Chu, John Langford, Robert E. Schapire: A Contextual-Bandit Approach to Personalized News Article Recommendation, https://arxiv.org/abs/1003.0146
13. Rahul Kidambi, Aravind Rajeswaran, Praneeth Netrapalli, Thorsten Joachims: Morel: Model-based offline reinforcement learning, NEURIPS 2020
14. Aman Agarwal, Kenta Takatsu, Ivan Zaitsev, Thorsten Joachims: A general framework for counterfactual learning-to-rank, SIGIR 2019
Preliminary scope of work in English
Ability of an e-commerce company to collect, synthesize and utilize data can be vital to its survival. The degree to which a company has the ability to gather data about sources of conversion is proportional to their ability to allocate advertising / implementation budget effectively. Measurement and optimization of user flow on a website is equally important as it can deliver a measurable increase in user loyalty, revenue and profits. Similarly, it can reveal that numerous improvements, although looking good "on the paper" does not work well in the real situations. The main aim of this thesis is to implement an e-commerce solution that supports collection and interpretation the "right" data to support its management in making informed tactical & strategic decisions.
 
Charles University | Information system of Charles University | http://www.cuni.cz/UKEN-329.html