Детальная информация

Цель: разработка и экспериментальное обоснование аналитического конвейера для маркетплейсов, обеспечивающего интеллектуальный анализ пользовательского контента с применением языковых моделей для поддержки управленческих решений. Решены следующие задачи: анализ проблем и существующих решений в сфере e-commerce; разработка архитектуры аналитического конвейера; реализация модулей сбора, семантического анализа, обработки изображений и интерпретации результатов с помощью LLM и ИИ-агентов; экспериментальная апробация на реальных данных. Разработан дашборд на фреймворке Streamlit (язык Python), обеспечивающий сквозной анализ: от сбора данных (парсинг Ozon и VK) до интерпретации результатов с применением ИИ-агентов на базе языковой модели Gemma 3:4b, анализа изображений через Ollama Vision, генерации фона для изображений товаров на основе FLUX.2 и SEO-оптимизации карточек. Реализованы методы тематического моделирования (LDA, NMF) и кластеризации (K-Means, BERTopic) для выявления скрытых тем в отзывах и вопросах. Дополнительно разработаны модули генерации ответов на отзывы и вопросы покупателей с учётом контекста и стиля общения. Апробация на реальных данных подтвердила эффективность предложенного подхода.

Objective: development and experimental validation of an analytics pipeline for marketplaces that provides intelligent analysis of user-generated content via language models to support managerial decision-making. The following tasks have been solved: analysis of problems and existing solutions in e-commerce; development of the analytics pipeline architecture; implementation of modules for data collection, semantic analysis, image processing, and result interpretation using LLMs and AI agents; experimental validation on real data. A dashboard based on the Streamlit framework has been developed, providing end-to-end analysis: from data collection (parsing Ozon and VK) to result interpretation using AI agents based on the Gemma 3:4b language model, image analysis via Ollama Vision, background generation for product images using FLUX.2, and product card SEO optimization. Topic modeling methods (LDA, NMF) and clustering methods (K-Means, BERTopic) are applied to identify hidden themes in reviews and questions. Additionally, modules for generating responses to customer reviews and questions have been developed, taking into account context and communication style. Validation on real data confirmed the effectiveness of the proposed approach.