УДК 004.8 Искусственный интеллект
УДК 658.8 Сбыт. Продажа. Реализация продукции
В статье рассматриваются современные методы машинного обучения, применяемые для моделирования потребительского выбора, включая искусственные нейронные сети и методы синтеза экспертных оценок. Особое внимание уделяется возможности комбинирования нейросетевых моделей с традиционными подходами анализа принятия решений для повышения точности прогнозов. Приведён обзор существующих архитектур, реализующих обработку пользовательских предпочтений, а также рассмотрены кейсы использования гибридных методов в электронной коммерции. Обоснована эффективность интеграции экспертных знаний в структуру машинного обучения.
машинное обучение, потребительский выбор, экспертные оценки, нейронные сети, интеллектуальный анализ данных
1. McFadden D. Conditional logit analysis of qualitative choice behavior // В кн.: Zarembka P. (ред.) Frontiers in Econometrics. New York: Academic Press, 1974. С. 105–142.
2. Gan C., Limsombunchai V., Clemes M., Weng A. Consumer Choice Prediction: Artificial Neural Networks versus Logistic Models // Journal of Social Sciences. 2005. Т. 1, № 4. С. 211–219.
3. Колмаков И.Б., Доможаков М.В. Синтез эконометрических и нейросетевых моделей прогноза показателей сферы исследований и инноваций в Российской Федерации // Управленческие науки. 2016. № 2(19). С. 27–37.
4. Han Y., Pereira F.C., Ben-Akiva M., Zegras C. A neural-embedded discrete choice model: Learning taste representation with strengthened interpretability // Transportation Research Part B: Methodological. 2022. Т. 163. С. 166–186.
5. Хаирова С.М., Хаиров Б.Г., Шимохин А.В. Методика работы с поставщиками на основе моделирования работы нейронной сети при решении вопросов выбора поставщиков услуг // Фундаментальные исследования. 2020. № 7. С. 129–137.
6. LeCun Y., Bengio Y., Hinton G. Deep learning // Nature. 2015. Т. 521, № 7553. С. 436–444.
7. Greene M.N., Morgan P.H., Foxall G.R. Neural Networks and Consumer Behavior: Neural Models, Logistic Regression, and the Behavioral Perspective Model // The Behavior Analyst. 2017. Т. 40, № 2. С. 393–418.
8. Hu M.Y., Tsoukalas C. Explaining consumer choice through neural networks: The stacked generalization approach // European Journal of Operational Research. 2003. Т. 146, № 3. С. 650–660.
9. Hruschka H. Using a heterogeneous multinomial probit model with a neural net extension to model brand choice // Journal of Forecasting. 2007. Т. 26, № 2. С. 113–127.
10. Qian F., Xu L. Improving customer satisfaction by the expert system using artificial neural networks // WSEAS Transactions on Business and Economics. 2007. Т. 4, № 10. С. 147–151.
