Розробка методу уточнення рекомендацій з використанням темпоральних знань в задачах індивідуального страхування
DOI:
https://doi.org/10.30837/0135-1710.2024.181.017Ключові слова:
рекомендаційна система, персоналізоване страхування, темпоральне правило, темпоральні знання, онлайн режимАнотація
Предметом дослідження є процес побудови рекомендацій в задачах індивідуального страхування. Метою є розробка підходу до побудови рекомендацій в проектах персоналізованого страхування з використанням темпоральних знань з тим, щоб адаптувати запропоновані плани страхування згідно поведінки клієнта на сторінках сайту страхової компанії. Завдання: виконати структуризацію темпоральних правил з урахуванням особливостей процесу побудови рекомендацій щодо страхування у режимі онлайн; розробити метод побудови рекомендацій щодо вибору страхового продукту з використанням темпоральних знань. Висновки. Виконано структуризацію темпоральних правил для задачі побудови рекомендацій в проєктах персоналізованого страхування. Темпоральні правила узагальнюють поведінку у відносному часі для декількох користувачів, що дає можливість узагальнити послідовність дій цих користувачів. Розроблено метод побудови рекомендацій у режимі онлайн з використанням темпоральних знань. Метод складається з двох фаз: формування темпоральних знань та побудови рекомендацій. Перша фаза виконується в офлайн-режимі і призначена для формування бази темпоральних правил, що узагальнюють знання щодо поведінки користувачів. Друга фаза виконується в режимі онлайн і полягає у уточненні та подальшому використанні темпоральних правил для адаптації рекомендацій згідно поточної поведінки користувача. Метод дає можливість оперативно адаптувати рекомендації з урахуванням поточний дій користувача, що створює умови для підвищення довіри користувачів до пропозицій рекомендаційної системи.
Посилання
Zhang, J. (2022). Design and Implementation of Insurance Product Recommendation System. Frontiers in Computing and Intelligent Systems, 1(2), 63-66. doi: https://doi.org/10.54097/fcis.v1i2.1774
Zanke, P. (2024). Transforming customer experience with personalized analytics and AI. International Journal of Creative Research Thoughts, 12, 2320-2882.
Zheng, L., & Guo, L. (2020). Application of Big Data Technology in Insurance Innovation. doi: https://doi.org/10.2991/assehr.k.200401.061
Adeoye, O., Okoye, C., Ofodile, O., Odeyemi, O., Addy, W., & Ajayi-Nifise, A. (2024). Integrating artificial intelligence in personalized insurance products: A pathway to enhanced customer engagement. International Journal of Management & Entrepreneurship Research, 6(3), 502-511. doi: https://doi.org/10.51594/ijmer.v6i3.840
Smith, B., & Linden, G. (2017). Two decades of recommender systems at Amazon.com. IEEE Internet Computing, 21(3), 12-18. doi: https://doi.org/10.1109/MIC.2017.72
Ricci, F., Rokach, L., & Shapira, B. (2022). Recommender Systems Handbook. Springer. doi: https://doi.org/10.1007/978-1-4899-7637-6
Schein, A. I., Popescul, A., Ungar, L. H., & Pennock, D. M. (2002). Methods and metrics for cold-start recommendations. Proceedings of the 25th Annual International ACM SIGIR Conference on Research and Development in Information Retrieval, 253-260. doi: https://doi.org/10.1145/564376.564421
Lops, P., De Gemmis, M., & Semeraro, G. (2011). Content-based recommender systems: State of the art and trends. Recommender Systems Handbook, 73-105. doi: https://doi.org/10.1007/978-0-387-85820-3_3
Aggarwal, C. C. (2016). Recommender Systems: The Textbook. Springer. doi: https://doi.org/10.1007/978-3-319-29659-3
Campos, P. G., Díez, F., & Cantador, I. (2014). Time-aware recommender systems: A comprehensive survey and analysis of existing evaluation protocols. User Modeling and User-Adapted Interaction, 24(1-2), 67-119. doi: https://doi.org/10.1007/s11257-012-9136-x
Levykin, V., & Chala, O. (2018). Method of determining weights of temporal rules in Markov logic network for building knowledge base in information control system. EUREKA: Physics and Engineering, 5, 3-10. doi: http://dx.doi.org/10.21303/2461-4262.2018.00713
Чала, О.В. (2018). Побудова темпоральних правил для представлення знань в інформаційно-управляючих системах. Сучасні інформаційні системи, 2(3), 54-59. doi: https://doi.org/10.20998/2522-9052.2018.3.09
Levykin, V., & Chala, O. (2018). Development of a method of probabilistic inference of sequences of business process activities to support business process management. Eastern-European Journal of Enterprise Technologies, 5/3(95), 16-24. doi: https://doi.org/10.15587/1729-4061.2018.142664
Левикін, В. М., & Чала, О. В. (2018). Підтримка прийняття рішень в інформаційно-управляючих системах з використанням темпоральної бази знань. Сучасні інформаційні системи, 2(4), 101-107. doi: https://doi.org/10.20998/2522-9052.2018.4.17
Chalyi, S., & Leshchynskyi, V. (2020). Temporal representation of causality in the construction of explanations in intelligent systems. Advanced Information Systems, 4(3), 113-117.
Чалий, С. Ф., & Лещинський, В. О. (2020). Темпоральні патерни вподобань користувачів в задачах формування пояснень в рекомендаційній системі. Бионика интеллекта, 2 (95), 21-27.
Chalyi, S., & Pribylnova, I. (2019). The method of constructing recommendations online on the temporal dynamics of user interests using multilayer graph. EUREKA: Physics and Engineering, 3, 13-19.
Chalyi, S., Leshchynskyi, V., & Leshchynska, I. (2020). Detailing explanations in the recommender system based on matching temporal knowledge. Eastern-European Journal of Enterprise Technologies, 4(2 (106)), 6-13.
Чалий, С. Ф., Лещинський, В. О., & Лещинська, І. О. (2019). Доповнення вхідних даних рекомендаційної системи в ситуації циклічного холодного старту з використанням темпоральних обмежень типу «NEXT». Системи управління, навігації та зв'язку, 4(56), 105-109.
Chalyi, S., Leshchynskyi, V., & Leshchynska, I. (2020). Method of forming recommendations using temporal constraints in a situation of cyclic cold start of the recommender system. EUREKA: Physics and Engineering, 4, 34-40.