Poimensko iskanje izdelkov
Za strojno učenje priporočanja izdelkov in algoritma za ujemanje je potrebna velika količina podatkov. Algoritem je sestavljen iz dveh ključnih faz:
- Prepoznavanje izdelka z največjo stopnjo ujemanja glede na vnos uporabnika. Pri tem algoritem obdeluje več virov podatkov (vnos uporabnika, znanje o uporabniku, priljubljenost izdelka na določenem geografskem območju itd.).
- Odkrivanje najboljših alternativ želenega izdelka, pri čemer se predlaga najugodnejše razmerje med ceno in kakovostjo. To omogoča naš algoritem, ki prebere načrt izdelka in ga primerja z drugimi izdelki v naši zbirki podatkov. Tovrstni koncept predstavlja korak naprej v primerjavi z algoritmi za predlaganje alternativnih izdelkov, ki so trenutno na voljo in temeljijo na specifikacijah.
Algoritem za napovedovanje vrednosti
Trenutno razvijamo dve področji napovednih modelov:
- Ocenjevanje trenutne vrednosti izdelka
Osredotočamo se na pravilno oceno cene izdelka. Za to so potrebne najsodobnejše metode strojnega učenja: kompleksne metode postopnega pospeševanja, naključni gozdovi, globoke nevronske mreže itd. - Napovedovanje prihodnje vrednosti izdelka
Pri tem napovednem modelu se osredotočamo na napovedovanje cene izdelkov skozi čas. Napovedovanje temelji na različnih vrstah metod strojnega učenja. K problemu pristopamo kot k napovedovanju časovne vrste ter vrednotimo različne metode in distančne funkcije, ki so primerne za to nalogo. Zaradi tega smo začeli z ansambli dreves za prediktivno razvrščanje v gruče za predvidevanje časovnih vrst (skupaj s kvantitativnimi razdaljami, razdaljo dinamičnega ukrivljanja časovne osi in kosinusno podobnostjo). Uporabili bomo tudi druge standardne metode za napovedovanje časovne vrste.
Pogovorni robot
Sprva smo za funkcionalnost pogovornega robota pri funkcijah pametnega iskanja nameravali uporabiti enega od obstoječih ogrodij za pogovorne robote, vendar smo po preskušanju pričeli z lastnim razvojem ogrodja. Tako smo se odločili, ker je bilo pri ogrodjih na trgu prisotnih nekaj omejitev, ki bi lahko vplivale na funkcionalnost našega končnega izdelka. Prvega pogovornega robota bomo večinoma uporabljali za vodenje uporabnika skozi postopek odkrivanja izdelkov, ogrodje pa je razvito tako, da se ga lahko enostavno trenira za dodatne interakcije.