การใช้ระบบแนะนำแบบผสมในการแก้ปัญหาผู้ใช้งานระบบรายใหม่ร่วมกับการใช้บริบทสำหรับร้านอาหาร

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.