Desenvolupament i comparació de recomanadors d’articles tèxtils i estudi de regles d’associació

Abstract

Aquest treball consisteix en el desenvolupament d’un sistema recomanador d’articles de roba i l’anàlisi de regles d’associació en les preferències de compra dels usuaris. La principal motivació darrere d’aquest estudi és proporcionar un camí a la transformació digital a l’abast de les petites i mitjanes empreses, amb un enfocament social i d’accessibilitat tecnològica. La implementació d’un sistema de recomanació pot ajudar a gestionar estocs, millorar l’experiència de compra dels usuaris i augmentar les vendes. Els principals objectius d’aquest treball consisteixen en: desenvolupar un model de recomanació d’articles de roba basat en preferències d’usuaris, aplicar tècniques de machine learning per a la recomanació de productes, optimitzar el sistema per oferir recomanacions visuals precises i rellevants, desenvolupar una interfície d’usuari intuïtiva per a la implementació del recomanador i aplicar regles d’associació per estudiar patrons en les preferències de roba dels usuaris. També s’han plantejat alguns objectius transversals: el desenvolupament d’una enquesta interactiva de classificació d’imatges mitjançant Python i Streamlit, l’aprenentatge de nocions bàsiques de Python i de Latex mitjançant Overleaf. Hem conseguit desenvolupar una enquesta interactiva on es recollien variables demogràfiques dels usuaris, i se’ls demanava que fessin un rànquing de 10 imatges de peces de roba. Cada usuari veia 10 imatges diferents, escollides de manera aleatòria d’una base de dades comú de 100 imatges. Un cop recollides les dades, hem començat treballant amb 4 subtipus de recomanadors dins el filtratge col·laboratiu: enfocament user-based, enfocament item-based, Singular Value Decomposition i Alternating Least Squares. Pels dos primers enfocaments s’ha començat amb un plantejament senzill, treballant només amb les dades dels rànquings. Posteriorment, s’han complementat amb característiques demogràfiques dels usuaris, pel cas user-based, i amb característiques de les peces de roba i similitud d’imatges, pel cas item-based. Comparant el plantejament senzill versus el plantejament híbrid en cada cas, hem pogut verificar mitjançant testos estadístics que els plantejaments híbrids proporcionen recomanacions més precises. Així doncs, els quatre sistemes recomanadors finals amb els que hem treballat han estat: enfocament user-based híbrid, enfocament item-based híbrid, Singular Value Decomposition i Alternating Least Squares. No s’han trobat diferències estadísticament significatives entre aquests quatre models, però el que presenta recomanacions més acurades és l’enfocament user-based híbrid. S’ha conduït una prova àcida en una mostra reduïda d’individus per verificar aquest model: se’ls feia respondre l’enquesta inicial i, un cop enviats els rànquings, les dades eren processades pel recomanador user-based híbrid i retornava les top-3 recomanacions, que l’usuari havia de puntuar. La puntuació mitjana obtiguda de les recomanacions ha estat un 8,2/10, consolidant la seva precisió. Finalment, s’han estudiat possibles regles d’associació en les preferències de roba dels usuaris enquestats, però no s’han detectat regles rellevants per l’estudi.