Метод побудови адаптивних пояснень в системах електронної комерції на основі еволюції користувацьких відгуків
DOI:
https://doi.org/10.30837/bi.2025.2(103).12Ключові слова:
АДАПТИВНІ ПОЯСНЕННЯ, ЕЛЕКТРОННА КОМЕРЦІЯ, КОРИСТУВАЦЬКІ ВІДГУКИ, ТЕМПОРАЛЬНИЙ АНАЛІЗ, ЕВОЛЮЦІЯ ПРОДУКТУ, ИТТЄВИЙ ЦИКЛ ПРОДУКТУ, АНАЛІЗ СЕНТИМЕНТУ, ВЕЛИКІ МОВНІ МОДЕЛІАнотація
Розглянуто методи побудови пояснень щодо рекомендацій в системах електронної комерції на основі аналізу еволюції відгуків користувачів. Розроблено метод побудови адаптивних пояснень з використанням великих мовних моделей, який базується на представленні еволюції продукту, що враховує його характеристики та сентимент у відгуках користувачів. Метод містить етапи формування бази відгуків, відстеження змін сентименту для кожної характеристики, ідентифікації подій покращень продукту, вибору рівня деталізації пояснень згідно фази життєвого циклу та побудови адаптованих пояснень. Метод дозволяє забезпечити прозоре відображення характеристик зрілості рекомендованого продукту для користувачів системи електронної комерції на основі зворотного зв’язку від виробника
Посилання
Ricci F., Rokach L., Shapira B. Recommender systems handbook. – 3rd ed. – New York: Springer, 2022. – 1021 p.
Zhang S., Yao L., Sun A., Tay Y. Deep learning based recommender system: A survey and new perspectives // ACM Computing Surveys. – 2019. – Vol. 52, No. 1. – P. 1-38.
Chalyi S., Leshchynskyi V., Leshchynska I. Designing explanations in the recommender systems based on the principle of a black box // Advanced Information Systems. – 2019. – Vol. 3, No. 2. – P. 47-57.
Chalyi S., Leshchynskyi V., Leshchynska I. Multilevel personalization of explanations in recommender systems // Advanced Information Systems. – 2020. – Vol. 4, No. 2. – P. 170-175.
Chen L., Wang F. Explaining recommendations: Satisfaction vs. promotion // User Modeling and User-Adapted Interaction. – 2017. – Vol. 27, No. 3-5. – P. 419-450.
Tintarev N., Masthoff J. Explaining recommendations: Design and evaluation // Recommender Systems Handbook. – 2015. – P. 353-382.
Huang A.H., Chen K., Yen D.C., Tran T.P. A study of factors that contribute to online review helpfulness // Computers in Human Behavior. – 2015. – Vol. 48. – P. 17-27.
Liu Y., Huang X., An A., Yu X. Modeling and predicting the helpfulness of online reviews // IEEE International Conference on Data Mining. – 2008. – P. 443-452.
Chalyi S., Leshchynskyi V. Detailing explanations in the recommender system based on matching temporal knowledge // EUREKA: Physics and Engineering. – 2020. – No. 4. – P. 43-50.
Musto C., de Gemmis M., Lops P., Semeraro G. Generating post hoc review-based natural language justifications for recommender systems // User Modeling and User-Adapted Interaction. – 2021. – Vol. 31, No. 4. – P. 629-673.
Brown T., Mann B., Ryder N. et al. Language models are few-shot learners // Advances in Neural Information Processing Systems. – 2020. – Vol. 33. – P. 1877-1901.
OpenAI. GPT-4 Technical Report // arXiv preprint arXiv:2303.08774. – 2023.
Wei J., Tay Y., Bommasani R. et al. Emergent abilities of large language models // Transactions on Machine Learning Research. – 2022.
Lin J., Dai X., Xi Y. et al. How can recommender systems benefit from large language models: A survey // ACM Transactions on Information Systems. – 2025. – Vol. 43, No. 2. – P. 1-47.
Jannach D., Zanker M., Felfernig A., Friedrich G. Recommender systems: An introduction. – Cambridge University Press, 2010. – 352 p.
Lu J., Wu D., Mao M., Wang W., Zhang G. Recommender system application developments: A survey // Decision Support Systems. – 2015. – Vol. 74. – P. 12-32.
Pazzani M.J., Billsus D. Content-based recommendation systems // The Adaptive Web. – 2007. – P. 325-341.
Burke R. Hybrid recommender systems: Survey and experiments // User Modeling and User-Adapted Interaction. – 2002. – Vol. 12, No. 4. – P. 331-370.
Schafer J.B., Frankowski D., Herlocker J., Sen S. Collaborative filtering recommender systems // The Adaptive Web. – 2007. – P. 291-324.
Koren Y., Bell R., Volinsky C. Matrix factorization techniques for recommender systems // Computer. – 2009. – Vol. 42, No. 8. – P. 30-37.
Schein A.I., Popescul A., Ungar L.H., Pennock D.M. Methods and metrics for cold-start recommendations // ACM SIGIR Conference. – 2002. – P. 253-260.
Son J., Kim S.B. Content-based filtering for recommendation systems using multiattribute networks // Expert Systems with Applications. – 2017. – Vol. 89. – P. 404-412.
Burke R. Hybrid web recommender systems // The Adaptive Web. – 2007. – P. 377-408.
McAuley J., Leskovec J. Hidden factors and hidden topics: Understanding rating dimensions with review text // ACM Conference on Recommender Systems. – 2013. – P. 165-172.
Pontiki M., Galanis D., Papageorgiou H. et al. SemEval-2016 Task 5: Aspect-based sentiment analysis // International Workshop on Semantic Evaluation. – 2016. – P. 19-30.
Schouten K., Frasincar F. Survey on aspect-level sentiment analysis // IEEE Transactions on Knowledge and Data Engineering. – 2016. – Vol. 28, No. 3. – P. 813-830.
Rana T.A., Cheah Y.N. Aspect extraction in sentiment analysis: comparative analysis and survey // Artificial Intelligence Review. – 2016. – Vol. 46, No. 4. – P. 459-483.
