Прогнозування поведінки користувачів в онлайн-магазинах: порівняльний аналіз моделей рекомендаційних систем

Abstract

У роботі розглядається проблема прогнозування поведінки користувачів в онлайн-магазинах на основі методів аналізу великих даних. Здійснено порівняльний аналіз поширених підходів до побудови рекомендаційних систем: контент-орієнтованих, колаборативної фільтрації, гібридних моделей та алгоритмів з використанням глибинного навчання. Оцінювання проводиться за показниками точності, стійкості до розрідженості даних, масштабованості та інтерпретованості результатів. Показано переваги та обмеження кожної групи моделей, а також окреслено напрями подальшого удосконалення рекомендаційних систем у сфері електронної комерції.

The article addresses the problem of predicting user behavior in online stores using big data analytics. A comparative analysis of common approaches to building recommender systems is presented, including content-based models, collaborative filtering, hybrid approaches, and deep-learning-driven algorithms. The evaluation focuses on accuracy, robustness to data sparsity, scalability, and result interpretability. The study highlights the strengths and limitations of each model group and outlines future directions for improving recommender systems in e-commerce.