Tilbake til søkeresultatene

NAERINGSPH-Nærings-phd

Statistical and machine learning methods for recommender systems in a complex, high dimensional, online marketplace.

Alternativ tittel: Maskinlæringsmetoder for anbefalingssystemer i komplekse og høydimensjonale internettmarkedsplasser.

Tildelt: kr 1,7 mill.

Prosjektleder:

Prosjektnummer:

294330

Prosjektperiode:

2018 - 2023

Midlene er mottatt fra:

Organisasjon:

Geografi:

Dette prosjektet er et samarbeid mellom Universitetet i Oslo og FINN.no. Prosjektet utvikler nye statistikk- og maskinlæringsmodeller innenfor anbefalingssystemer: koble relevant innhold til brukere på en internettmarkedsplass der det er et stort antall produkter og informasjonen om både produkter og brukere er svært begrenset. En internettmarkedsplass er en plattform der brukere kan kjøpe og selge produkter og tjenester. Produktene kan være alt fra billige bøker til dyre biler og eneboliger. Selgere kan også legge ut tjenester som stillingsannonser og flyttehjelp. Mange av selgerne er privatpersoner som selger sine brukte ting. En internettmarkedsplass kan derfor ligne på en nettbutikk der man har et stort lager av unike produkter solgt av en stor og fragmentert selgergruppe. Prosjektet fokuserer på hvordan anbefalingsalgoritmer effektivt kan utforske hvilke produkter som er relevant for en bruker, hvordan algoritmen kan foreslå en bredde i sine anbefalinger i en personalisert strøm, hvordan man kan utnytte forsinkede tilbakemeldingssignaler og hvordan man bruke innhold som tekst, bilde og strukturerte data til å gi en best mulig anbefaling til brukeren. Algoritmene utvikles og testes både ved å bruke allerede innhentet data, og gjennom A/B-tester på en internettmarkedsplass. Prosjektet har testet rundt 10 forskjellige maskinlæringsmodeller i FINN.no sine anbefalingsprodukter gjennom A/B-testing, derav flere har vært bedre enn eksisterende anbefalingsalgoritmer. Det pågår arbeid for å fremstille disse resultatene akademisk. I den siste perioden har prosjektet i tillegg til testing av ulike maskinlæringsmodeller for FINN.no sine anbefalingsprodukter også publisert, tilgjengeliggjort og promotert et datasett mer egnet for anbefalingsprodukter for en online markedsplass. Datasettet er rikere på informasjon som kan være fordelaktig å vite når man regner ut hva som er mest relevant. Slik informasjon har ikke tidligere vært offentlig tilgjengelig.

-

This project is concerned with developing novel statistical and machine learning methodologies in the area of recommendation systems: matching relevant content (items) to users in an online marketplace, where there is a large number of items and the information about each item and user is very limited. Marketplaces are platforms where users buy and sell various types of items. The items can range from low-value ones such as books and clothes to high-value ones such as cars and real estate properties. Sellers can also post non-tangible items such as job openings and services. Many marketplace sellers are non-professional individuals selling used items, therefore marketplaces can be viewed as a special type of e-commerce that involves a very large number of unique items across multiple categories from a very large and fragmented seller group. This thesis will develop new statistical and machine learning methods to solve some of the important open problems for recommender system in marketplaces, building models, inferential and predictive procedures, and computational codes. The goal is to build and test these models in a real world recommender system. The project is a co-operation between multiple participants: Finn.no with the industrial, computational, algorithmical, data management experience; UiO with a strong experience in statistical models for big data and uncertainty quantification; the University of Lancaster with world leading experts in statistical learning, decision making and stochastic game theory.

Budsjettformål:

NAERINGSPH-Nærings-phd