Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • harvard-cite-them-right
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Semantiskt rekommendationssystem - för komplexa sortiment inom e-handel
University of Borås, Faculty of Librarianship, Information, Education and IT.
University of Borås, Faculty of Librarianship, Information, Education and IT.
2026 (Swedish)Independent thesis Basic level (degree of Bachelor), 10 credits / 15 HE creditsStudent thesisAlternative title
Semantic recommendation system - for complex assortment in e-commerce (English)
Abstract [sv]

E-handelsföretag med stora och komplexa produktsortiment står inför utmaningen att skapa träffsäkra produktrekommendationer eftersom traditionella rekommendationsmetoder har svårt att tolka semantiska samband samt hantera problem som kallstart och datagleshet.

Studien utgår från forskningsfrågan: Hur kan en artefakt för ett semantikbaserat rekommendationssystem utformas för att ge precisa produktrekommendationer i ett stort sortiment?

Problemet är viktigt eftersom begränsningarna hos traditionella rekommendationssystem ofta leder till bristande träffsäkerhet i produktrekommendationer. Ett system som kan tolka användarens intentioner och beteenden, samtidigt som beroendet av historisk användardata minskar, kan förbättra kvaliteten på rekommendationerna och skapa verksamhetsnytta.

Studien tillämpar Design Science Research (DSR) för att utveckla och utvärdera en prototyp åt e-handelsföretaget Miss Mary. Artefakten bygger på en rekommendationsmotor som kombinerar semantisk vektorsökning, hybridsökning, profilbaserad sökning med explicit och implicit återkoppling samt Natural Language Queries (NLQ).

Artefakten utvärderades genom både kvantitativa och kvalitativa metoder. De kvantitativa testerna mätte rankningsprecision med hjälp av NDCG och Recall@K och svarstid med hjälp av inbyggda funktioner, medan domänexperter kvalitativt jämförde systemets rekommendationer med sina egna bedömningar utifrån realistiska kundscenarier. Resultatet visade en genomsnittlig svarstid på 0,03 sekunder och 100 % precision, vilket innebär att de förväntade produkterna konsekvent identifierades och rangordnades korrekt i de definierade testfallen. Domänexperterna bedömde dessutom att rekommendationerna överensstämde med deras egna produktval, vilket visar att systemet genererade relevanta och praktiskt användbara rekommendationer samtidigt som samtliga acceptanskriterier uppfylldes.

Studien visar att ett semantikbaserat rekommendationssystem framgångsrikt kan utformas genom att kombinera semantiska vektorrepresentationer med hybrid-, profil- och NLQ-baserade sökmetoder. Resultaten visar även att kombinationen av semantisk likhet samt explicit och implicit återkoppling kan minska begränsningar hos traditionella rekommendationssystem och möjliggöra mycket träffsäkra rekommendationer för komplexa produktsortiment.

Framtida forskning bör utvärdera artefakten tillsammans med verkliga användare, undersöka systemets långsiktiga prestanda när produktdata förändras samt analysera hur väl lösningen kan överföras till andra e-handelskontexter och större produktsortiment.

Abstract [en]

E-commerce companies with large and complex product catalogues face challenges in generating accurate product recommendations due to the challenges that traditional recommendation systems face with cold-start problems, sparse user data and semantic interpretation.

This study addresses the research question: How can an artefact for a semantic-based recommendation system be designed to provide precise product recommendations for a large product assortment?

Addressing this problem is important because the limitations of traditional recommendation systems often result in inaccurate recommendations. A solution capable of understand the intents and behaviours, while also reducing the dependency on historical data can improve both the quality of the recommendation and the business value.

The study applies Design Science Research (DSR) to design, implement and evaluate a prototype recommendation system for the e-commerce company Miss Mary of Sweden. The artifact combines semantic vector search, hybrid search, profile-based search using explicit and implicit feedback, and Natural Language Query (NLQ) within a vector database architecture.

The artefact was evaluated using both quantitative and qualitative methods. Quantitative testing measure ranking accuracy using NDCG and Recall@K and response time with built in programming tools, while qualitative evaluation was conducted using Miss Marys domain experts who compared the system's recommendations with their own expert assessments across realistic customer scenarios. The final evaluation showed an average response time of 0.03 seconds and 100% precision based on a basic verification test. Furthermore, the domain experts judged the recommendations to be fully aligned with their own product selections, demonstrating that the system produced relevant and practically useful recommendations while satisfying all predefined acceptance criteria.

The study concludes that the semantic-based recommendation system can successfully be designed by combining techniques like hybrid, profile-based, and NLQ-based search techniques. The results indicate that integrating explicit and implicit user feedback with semantic similarity can reduce limitations associated with traditional recommendation systems.

Future research should evaluate the artefact with real customers and more iterations of qualitative tests, investigate the performance as product data evolve, and assess the artifacts' ability to be transferred over different e-commerce domains.

Place, publisher, year, edition, pages
2026.
Keywords [en]
Semantic-based recommendation system, NLQ, Artificial Intelligence, Hybrid search, profile-based search, Vector database
Keywords [sv]
Semantikbaserat rekommendationssystem, NLQ, Artificiell Intelligens, Hybridsökning, Profilbaserad sökning, Vektordatabas
National Category
Computer and Information Sciences
Identifiers
URN: urn:nbn:se:hb:diva-36410OAI: oai:DiVA.org:hb-36410DiVA, id: diva2:2110889
Subject / course
Informatics
Available from: 2026-10-19 Created: 2026-10-16 Last updated: 2026-10-19Bibliographically approved

Open Access in DiVA

No full text in DiVA

By organisation
Faculty of Librarianship, Information, Education and IT
Computer and Information Sciences

Search outside of DiVA

GoogleGoogle Scholar

urn-nbn

Altmetric score

urn-nbn
Total: 30 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • harvard-cite-them-right
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf