Perfume recommender system

Abstract

This thesis focuses on the design and implementation of a perfume recommender sys- tem. We have found that the perfume domain remains largely underexplored, despite its commercial relevance. To address this, we obtained a custom dataset that includes user- item interactions and implemented several baseline and state-of-the-art recommendation algorithms, including content-based and various collaborative approaches. We also con- ducted a comparative analysis of the implemented algorithms. Beyond commonly used algorithms, we implement contextual boosting as a post-processing hybridization step of collaborative recommendations, designed to reflect research findings on how people typ- ically choose fragrances, e.g., based on intended season, occasion, or current preference. Finally, we presented selected algorithms and contextual boosting in a proof-of-concept web application.

Tato bakalářská práce se zaměřuje na návrh a implementaci doporučovacího systému pro doménu parfémů. Ukazuje se, že tato doména je navzdory svému komerčnímu poten- ciálu stále relativně opomíjená. Proto jsme získali vlastní dataset, obsahující interakce mezi uživateli a produkty, a následně implementovali základní i pokročilé doporučovací algoritmy, včetně obsahově založených a kolaborativních přístupů. Provedli jsme také komparativní analýzu implementovaných algoritmů. Nad rámec běžně používaných algo- ritmů zavádíme kontextuální boosting jako postprocesingový hybridizační krok nad kola- borativními doporučeními, který je navržen tak, aby odrážel vědecké poznatky o tom, jak lidé parfémy běžně vybírají, například podle požadovaného ročního období, příležitosti nebo momentální preference. Vybrané algoritmy a kontextuální boosting jsme nakonec prezentovali formou demonstrační webové aplikace