E-commerce platform designed for continuous optimization and personalization
Název práce v češtině: | E-commerce platforma s podporou kontinuální optimalizace a personalizace |
---|---|
Název v anglickém jazyce: | E-commerce platform designed for continuous optimization and personalization |
Klíčová slova: | e-commerce|A/B testing|multi-armed bandits |
Klíčová slova anglicky: | e-commerce|A/B testing|multi-armed bandits |
Akademický rok vypsání: | 2021/2022 |
Typ práce: | diplomová práce |
Jazyk práce: | angličtina |
Ústav: | Katedra softwarového inženýrství (32-KSI) |
Vedoucí / školitel: | Mgr. Ladislav Peška, Ph.D. |
Řešitel: | Mgr. Peter Dräxler - zadáno a potvrzeno stud. odd. |
Datum přihlášení: | 11.03.2022 |
Datum zadání: | 14.03.2022 |
Datum potvrzení stud. oddělením: | 29.03.2022 |
Datum a čas obhajoby: | 06.09.2023 09:00 |
Datum odevzdání elektronické podoby: | 21.07.2023 |
Datum odevzdání tištěné podoby: | 24.07.2023 |
Datum proběhlé obhajoby: | 06.09.2023 |
Oponenti: | Ing. David Bernhauer |
Zásady pro vypracování |
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. |
Seznam odborné literatury |
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 |
Předběžná náplň práce v anglickém jazyce |
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. |