การใช้ระบบแนะนำแบบผสมในการแก้ปัญหาผู้ใช้งานระบบรายใหม่ร่วมกับการใช้บริบทสำหรับร้านอาหาร
Files
Publisher
Issued Date
2020
Issued Date (B.E.)
2563
Available Date
Copyright Date
Resource Type
Series
Edition
Language
tha
File Type
application/pdf
No. of Pages/File Size
55 แผ่น
ISBN
ISSN
eISSN
Other identifier(s)
b212264
Identifier(s)
Access Rights
Access Status
Rights
ผลงานนี้เผยแพร่ภายใต้ สัญญาอนุญาตครีเอทีฟคอมมอนส์แบบ แสดงที่มา-ไม่ใช้เพื่อการค้า-ไม่ดัดแปลง 4.0 (CC BY-NC-ND 4.0)
Rights Holder(s)
Physical Location
สถาบันบัณฑิตพัฒนบริหารศาสตร์. สำนักบรรณสารการพัฒนา
Bibliographic Citation
Citation
พิมพ์ชนก ปทุมชาติ (2020). การใช้ระบบแนะนำแบบผสมในการแก้ปัญหาผู้ใช้งานระบบรายใหม่ร่วมกับการใช้บริบทสำหรับร้านอาหาร. Retrieved from: https://repository.nida.ac.th/handle/662723737/5538.
Title
การใช้ระบบแนะนำแบบผสมในการแก้ปัญหาผู้ใช้งานระบบรายใหม่ร่วมกับการใช้บริบทสำหรับร้านอาหาร
Alternative Title(s)
A cold-start hybrid context recommendation system for casual restaurant
Author(s)
Advisor(s)
Editor(s)
item.page.dc.contrubutor.advisor
Advisor's email
Contributor(s)
Contributor(s)
Abstract
ปัจจุบันระบบแนะนำสินค้าถูกนำมาใช้อย่างแพร่หลายในหลายอุตสาหกรรม โดยจุดประสงค์ของระบบแนะนำคือเพื่อแนะนำสินค้าที่คาดว่าลูกค้าจะชื่นชอบได้ถูกต้อง โดยวิธีการแนะนำสินค้าแบบดั้งเดิมมีหลายวิธี เช่น วิธีการกรองร่วมกัน วิธีการกรองแบบอิงเนื้อหา อย่างไรก็ตามวิธีเหล่านี้ก็ยังประสบปัญหาสำคัญบางประการ เช่น ความสามารถในการปรับขนาด ข้อมูลมีปริมาณน้อย หรือผู้ใช้งานระบบรายใหม่ โดยงานวิจัยนี้จะมุ่งเน้นไปที่ปัญหากรณีผู้ใช้งานระบบรายใหม่ ซึ่งได้นำเสนอวิธีแบบผสมในการแก้ปัญหาโดยใช้ข้อมูลประชากรศาสตร์ของลูกค้าและฟังก์ชันอายุร่วมกับวิธีการเรียนรู้ของเครื่องจักรและบริบทอย่างมีเงื่อนไข โดยใช้ข้อมูลจากธุรกิจร้านอาหารหนึ่งในประเทศไทย จากผลการดำเนินงานพบว่าประสิทธิภาพของโมเดลที่นำเสนอมีค่าความถูกต้องในการแนะนำสูงกว่าวิธีการแนะนำแบบสุ่มและแนะนำด้วยเมนูยอดนิยมที่ร้อยละ 16 และ 10 ตามลำดับ อีกทั้งนำเสนอวิธีการคิดคะแนนความชื่นชอบโดยนัยของลูกค้ารายเก่าในกรณีที่ร้านอาหารไม่มีคะแนนความชื่นชอบจากลูกค้าโดยตรง โดยพบว่าฟังก์ชันการคิดคะแนนความชื่นชอบที่นำเสนอนั้นสามารถนำไปประยุกต์ใช้กับข้อมูลของธุรกิจร้านอาหารได้จริงและสามารถแปลงเป็นค่าคะแนนความชื่นชอบโดยนัยที่นำไปใช้ในการทำนายคะแนนความชื่นชอบของลูกค้ารายเก่าในลำดับต่อไปได้
Recommendation systems are used in a variety of industries. The goal of these systems is to identify satisfying selections of items for users. Traditional approaches are classified into several methods, such as Collaborative Filtering and Content-based Filtering. However, significant problems such as scalability, data sparsity, and cold-start are still observed. In this paper, we focused on the cold-start problem for new users. We introduced a hybrid-approach by combining demographic and similarity age functions, together with machine learning and conditional contexts from the dataset of a Thailand-based restaurant. The result shows that the proposed model's accuracy is higher than the random recommendation and the top menu recommendation, 16% and 10%, respectively. Moreover, we also discussed the implicit rating function for existing customers with no explicit ratings in this study. We found that it could be applied to the restaurant dataset and converted into an implicit rating which could be used to predict the existing customer ratings.
Recommendation systems are used in a variety of industries. The goal of these systems is to identify satisfying selections of items for users. Traditional approaches are classified into several methods, such as Collaborative Filtering and Content-based Filtering. However, significant problems such as scalability, data sparsity, and cold-start are still observed. In this paper, we focused on the cold-start problem for new users. We introduced a hybrid-approach by combining demographic and similarity age functions, together with machine learning and conditional contexts from the dataset of a Thailand-based restaurant. The result shows that the proposed model's accuracy is higher than the random recommendation and the top menu recommendation, 16% and 10%, respectively. Moreover, we also discussed the implicit rating function for existing customers with no explicit ratings in this study. We found that it could be applied to the restaurant dataset and converted into an implicit rating which could be used to predict the existing customer ratings.
Table of contents
Description
วิทยานิพนธ์ (วท.ม. (การวิเคราะห์ข้อมูลและวิทยาการข้อมูล))--สถาบันบัณฑิตพัฒนบริหารศาสตร์, 2563