Dynamic recommendation algorithms for a COVID-19 restrictions scenario in the restaurant industry

Abstract

研究目的利用关于不同国家餐厅及其顾客反馈的数据, 我们探索了以下问题：(i) 在餐饮行业, 用户行为和偏好在COVID-19限制期间如何改变, (ii) 这些变化如何影响推荐算法的性能, 以及 (iii) 可以提出哪些方法来改进封锁情景下的餐厅推荐质量。研究方法为了评估用户行为和偏好的变化, 本研究进行了定量和定性数据分析, 对比了COVID-19限制期前后的情况。为了评估非稳态环境中餐厅推荐系统的性能, 我们测试了最先进的协同过滤算法。我们提出并研究了一种基于过滤的方法, 以提高封锁情景下推荐算法的质量。研究发现研究发现, 在COVID-19限制期间, 平均评分和评论数量发生了变化。实验研究证实：(i) 在COVID-19限制期间, 所有最先进的餐厅行业推荐系统的性能显著下降; (ii) 使用滑动窗口和后过滤方法可以改进非稳态环境下餐厅推荐的准确性和稳定性。实践意义我们提出了两种新方法：基于CatBoost分类模型的关闭餐厅后过滤和滑动窗口方法。这些方法可以应用于经典的协同过滤推荐算法, 并在非稳态条件下提高指标值。这些方法对于推荐系统的开发者和大规模餐厅和酒店聚合平台都有帮助。因此, 这对于应用的最终用户和企业主都有好处, 因为当用户得到良好的推荐时, 他们会诚实地对餐厅进行评价, 而不会因为外部因素降低评分。研究创新本文首次提供了COVID-19限制对不同国家餐厅推荐系统有效性影响的广泛多方面的实验研究, 并提出和验证了两种解决餐厅推荐性能下降问题的新方法。