Об’єкт дослідження: процеси персоналізації користувацького досвіду у маркетплейсах шляхом застосування рекомендаційних систем. Мета дослідження: розробка рекомендаційної системи для підвищення ефективності маркетплейсу з використанням сучасних методів машинного навчання. Методи дослідження: методи машинного навчання, зокрема класифікаційні алгоритми (логістична регресія, мультиноміальний наївний байєсівський класифікатор, класифікатор Ridge, пасивно-агресивний класифікатор та LightGBM), алгоритм кластеризації k-means, алгоритми колаборативної та контентної фільтрації, методи обробки природної мови (NLP) та аналіз сентиментів. Наукова новизна, теоретична значимість дослідження: запропоновано рекомендаційну систему з модульною структурою, що дозволяє подолати проблеми масштабованості та «холодного старту», а також забезпечує гнучке та адаптивне поєднання різних алгоритмів залежно від завдань маркетплейсу та поведінки користувачів. Практична цінність: створено універсальне рішення, придатне до впровадження на різних платформах електронної комерції, здатне працювати з реальними даними та враховувати емоційний контекст користувацьких відгуків для підвищення точності та релевантності рекомендацій.

The graduation research of the student deals with development of a recommendation system for improving the marketplace efficiency. The work is interesting for introducing a modular recommendation system tailored to the dynamic nature of ecommerce marketplaces. By enabling flexible integration of components such as sentiment analysis, clustering, collaborative filtering, and content-based filtering, the system can adapt to different user behaviors, data structures, and business objectives. This adaptability makes the solution scalable and reusable across various platforms, while the use of real marketplace data and emotion-aware feedback analysis enhances recommendation relevance and boosts commercial effectiveness.