Mobiilisovelluksen sisällön suosittelu tekoälyn avulla

Abstract

Insinöörityön tarkoituksena oli toteuttaa suosittelujärjestelmä yhdistäen koneoppimisen ja suosittelujärjestelmien toimintatapoja. Suosittelujärjestelmä kehitettiin osaksi tilaajan mobiilisovellusta, jossa sen tarkoituksena oli tuoda sovelluksen käyttäjälle personoituja suosituksia perustuen käyttäjien katseluhistoriaan.

Suosittelujärjestelmä tuli osaksi käytetyn tavaran mobiilisovelluksen etusivua, jossa on listattuna sovelluksessa myynnissä olevia tuotteita. Työn tavoitteena oli korvata etusivun tuotteiden noudon satunnaisuus personoiduilla suosituksilla. Koska puhelinsovellusta, jonka osaksi järjestelmä tuli, ei julkaistu työn aikana, suosittelujärjestelmä piti testata generoidulla datalla ja kehittää niin, että jatkokehittäminen on tulevaisuudessa helppoa.

Tekoälymalli, eli suosituksia luova osa, luotiin Tensorflow-kirjaston metodeilla. Järjestelmä koostettiin sisältämään neuroverkko katseluaikojen ennustamiseen ja metodit käyttäjien ja tuotteiden profiloimiseen 32-ulotteisiin vektoreihin. Tuotteiden noutovaihe, joka hakee käyttäjäkohtaisesti X-määrän tuotteita koko valikoimasta, toteutettiin palauttamaan ne tuotteet, joiden pistetulot pyydettyyn käyttäjään olivat pienimmät. Tuotteiden pisteytys, eli vaihe, jossa arvioitiin noudettujen tuotteiden sopivuus käyttäjälle, mahdollistettiin neuroverkon avulla. Neuroverkko ennusti käyttäjän ja tuotteen välisen katseluajan yksi kerrallaan, minkä jälkeen kohteet järjesteltiin suurin aika ensin.

Järjestelmän toimivuutta mitattiin vertaamalla sen suosituksia käyttäjien oikeisiin näyttökertoihin, vertaamalla käyttäjien ja tuotteiden upotusvektoreita ja tarkkailemalla mallin harjoitusmetriikoita. Työn testeistä selvisi, että järjestelmä onnistuu molemmissa sen tehtävissä, eli tuotteiden noudossa ja pisteytyksessä. Työ tehtiin melko itsenäisesti aihetta opiskellen, yritysten ja erehdysten kautta. Suurin osa tekoälyn toimintatavoista testattiin Python-notebook-ympäristössä. Kun jokin osa todettiin toimivaksi, se lisättiin järjestelmän rajapintasovellukseen. Tuloksena oli tehtäväänsä sopiva suosittelujärjestelmä, joka suositteli testikäyttäjille osuvia tuotteita.

The purpose of the final year project was to create a recommendation system powered by artificial intelligence. The recommendation system was developed to be a part of a secondhand marketplace mobile application, where its role will be to bring personalized recommendations to users based on their watch history.

The recommendation system was developed to be a part of the application’s front page, which lists random products that are currently being sold, its role being to personalize the page’s content. Because the application which the system was developed for was not released, the system had to be developed and tested based on generated data.

The artificial intelligence model, the role of which is to create recommendations, was created using TensorFlow’s libraries. The model was developed to include a neural network to predict watching times and methods to create 32-dimensional user- and product-embeddings. These methods enabled the system to handle two common tasks of recommendation systems: retrieval, and ranking. At retrieval-phase, the system retrieves X number of products from all products that are closest to queried user based on dot-product. Ranking was done using the neural network of the model to predict the watching times between queried user and given product.

The system was tested by comparing its recommendations to the watch history of queried user. Based on the tests, the recommendation system handles both retrieval and ranking well. The project was done quite independently via self-studying and testing different methods in Python-notebook environment. When a feature was deemed functional, it was added to the system. The product was a functional recommendation system which worked as intended.