A hybrid recommendation system using association rule mining, i-ALS algorithm, and SVD++ approach: A case study of a B2B company
Notice bibliographique
Résumé
In the field of recommendation systems, collaborative filtering is a widely used technique. It provides recommendations to active users based on the ratings provided by similar users. However, this method may reduce the accuracy of user preference predictions and lead to lower-quality recommendations in cases of high data sparsity. This issue is often observed in the Business-to-Business (B2B) context, where user-generated reviews are often sparse. To overcome this challenge, we present a novel hybrid approach that explores product taxonomies and association rule mining combined with an advanced method for initialization. Our approach first involves generating a new explicit taxonomy based solely on textual product descriptions and extending the user-product matrix using association rule mining results. Second, complementary items are added to the user-item matrix based on users’ purchasing behaviors, as emphasized by the extracted association rules. Finally, we use the implicit Alternating Least Squares (i-ALS) algorithm and initialize the latent factor matrices with values obtained through the singular value decomposition approach (BLS-SVD++). This hybrid approach is tested and compared with conventional approaches, considering a real-world case study of a distributor located in Quebec. The results obtained from feedback implicitly inferred from sales data demonstrated improved RS performance compared to conventional approaches. • A novel hybrid recommendation system is proposed. • We used association rule mining, the i-ALS algorithm, and the SVD++ approach. • This hybrid system is particularly relevant for overcoming the sparsity problem in B2B settings. • Real-world B2B sales transactions are considered. • The proposed methodology can be generalized to other real-world cases.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».