Implicit feedback is a form a relevance feedback that is inferred from how users interact with an information retrieval system such as an online search engine. This degree project report describes a method of using implicit feedback to establish relevance judgments and rank products based on their relevance to a specified attribute. The report contains an overview of the benefits and limitations of implicit feedback, as well as a description on how those limitations can be mitigated. A prototype that interpreted user actions as relevance votes and calculat-ed a fair relevance score based on these votes with the help of an algo-rithm was developed. This system was then tested on a website with real users during a limited period of time. The results from the test period were evaluated and the system was concluded to be far from perfect, but that improvements could be made by making adjustments to the algo-rithm. The system performed better when looking at the algorithm’s pre-cision rather than its sensitivity. / Implicit feedback är en sorts relevansfeedback som sammanställs utifrån användares interaktion med ett informationsökningsssystem. Denna examensarbetesrapport beskriver ett sätt att använda implicit feedback för att skapa en bedömning av en produkts relevans till ett angivet attribut. Rapporten innehåller också en överblick av fördelarna och nackdelarna med implicit feedback, samt en beskrivning av hur dessa nackdelar kan hanteras. En prototyp som översatte användarbeteende till olika relevansröster och beräknade ett relevansvärde baserat på dessa relevansröster med hjälp av en algoritm, utvecklades. Denna prototyp testades sedan på en hemsida med verkliga användare under en begränsad tid. Resultatet från denna testperiod analyserades och gav slutsatsen att prototypen inte var perfekt, men att resultaten kunde förbättras med hjälp av finjusteringar av algoritmen. Prototypens precision, med avseende på vilka produkter algoritmen valde ut som relevanta, var dock bättre än dess sensitivitet.

The model predicts the best flight order and recommend best flight to users. The thesis could be divided into the following three parts: Feature choosing, data-preprocessing, and various algorithms experiment. For feature choosing, besides the original information of flight itself, we add the user’s selection status into our model, which the flight class is, together with children or not. In the data preprocessing stage, data cleaning is used to process incomplete and repeated data. Then a normalization method removes the noise in the data. After various balancing processing, the class-imbalance data is corrected best with SMOTE method. Based on our existing data, I choose the classification model and Sequential ranking algorithm. Use price, direct flight or not, travel time, etc. as features, and click or not as label. The classification algorithms I used includes Logistic Regression, Gradient Boosting, KNN, Decision Tree, Random Forest, Gaussian Process Classifier, Gaussian NB Bayesian and Quadratic Discriminant Analysis. In addition, we also adopted Sequential ranking algorithm. The results show that Random Forest-SMOTE performs best with AUC of ROC=0.94, accuracy=0.8998. / Modellen förutsäger den bästa flygordern och rekommenderar bästa flyg till användarna. Avhandlingen kan delas in i följande tre delar: Funktionsval, databehandling och olika algoritms experiment. För funktionsval, förutom den ursprungliga informationen om själva flygningen, lägger vi till användarens urvalsstatus i vår modell, vilken flygklassen är , tillsammans med barn eller inte. Datarengöring används för att hantera dubbletter och ofullständiga data. Därefter tar en normaliserings metod bort bruset i data. Efter olika balanserings behandlingar är SMOTE-metoden mest lämplig för att korrigera klassobalans flyg data. Baserat på våra befintliga data väljer jag klassificerings modell och sekventiell ranknings algoritm. Använd pris, direktflyg eller inte, restid etc. som funktioner, och klicka eller inte som etikett. Klassificerings algoritmerna som jag använde inkluderar Logistic Regression, Gradient Boost, KNN, Decision Tree, Random Forest, Gaussian Process Classifier, Gaussian NB Bayesian and Quadratic Discriminant Analysis. Dessutom antog vi också Sequential ranking algoritm. Resultaten visar att Random Forest-SMOTE presterar bäst med AUC för ROC = 0.94, noggrannhet = 0.8998.