Информационно - коммуникационные и химические технологии

Том_ 4 № 29 (2025) / 2025-12-30 / Кол. просмотров: 153

МОДУЛЬ КАТЕГОРИЗАЦИИ ТОВАРОВ ДЛЯ МАРКЕТПЛЕЙСА: АНАЛИЗ АЛГОРИТМОВ И ВЫБОР ОПТИМАЛЬНОГО РЕШЕНИЯ

Авторы

ЕНУ им. Л.Н.Гумилева
https://orcid.org/0000-0002-0259-774X
ЕНУ им. Л.Н.Гумилева
https://orcid.org/0009-0009-7625-4852
ЕНУ им. Л.Н.Гумилева
https://orcid.org/0000-0002-5318-9850

Ключевые слова

маркетплейс, категоризация товаров, Random Forest, обработка естественного языка, стемминг, TF-IDF, электронная коммерция

DOI ссылка:

https://doi.org/10.58805/kazutb.v.4.29-1002

Как цитировать

Глазырина, Н., и др. «МОДУЛЬ КАТЕГОРИЗАЦИИ ТОВАРОВ ДЛЯ МАРКЕТПЛЕЙСА: АНАЛИЗ АЛГОРИТМОВ И ВЫБОР ОПТИМАЛЬНОГО РЕШЕНИЯ». Вестник КазУТБ, т. 4, вып. 29, декабрь 2025 г., doi:10.58805/kazutb.v.4.29-1002.

Аннотация

С развитием электронной коммерции маркетплейсы стали ключевыми платформами для взаимодействия покупателей и продавцов. Ежедневно на них добавляется множество новых товаров, требующих категоризации для эффективного управления ассортиментом, повышения точности поиска товаров и формирования персонализированных рекомендаций. В данном исследовании представлен модуль категоризации товаров, разработанный на Python 3.10.10, который решает задачу категоризации товаров по их текстовому описанию (104 026 товаров, 62 категории). Был проведен комплексный анализ классических алгоритмов (Random Forest, SVM, Logistic Regression, Multinomial Naïve Bayes) и нейросетевых архитектур (RNN, CNN, Transformer), а также ансамблевого подхода (Random Forest + Decision Tree + Logistic Regression). Предобработка данных включала токенизацию, удаление стоп-слов и неалфавитных символов, стемминг и нормализацию текста. Эксперименты на тестовой выборке (20 805 записей) показали, что Random Forest обеспечивает точность 94,2% при времени обработки 74,9 мс, превосходя нейросетевые модели (RNN - 91,6%, Transformer - 90,9%) и ансамбль (94,3% при 75,2 мс). Научная новизна заключается в доказательстве применимости классических алгоритмов машинного обучения (в частности, Random Forest) для задач средней сложности при ограниченных вычислительных ресурсах и в разработке комплексного подхода к выбору оптимальной модели категоризации товаров на маркетплейсе. Результаты демонстрируют, что Random Forest является оптимальным решением для интеграции в реальные системы маркетплейсов, обеспечивая высокую точность без значительного роста вычислительной нагрузки.