Jak wydajemy zalecenia w naszym życiu? Robimy to na podstawie naszych przeszłych doświadczeń. A teraz wyobraź sobie, co jeśli zaczniemy tworzyć natychmiastowe rekomendacje na podstawie danych z naszego prawdziwego życia? Po pierwsze poczujemy się jak inteligentny doradca. Po drugie, nie będziemy już ludźmi. Dlatego staramy się budować inteligentne oprogramowanie, które jest w stanie dostarczyć przekonujące rekomendacje.
Podświadomie narażeni jesteśmy na systemy rekomendacji, kiedy odwiedzamy serwisy takie jak Amazon, Netflix, imdb i wiele innych. Podobno stały się integralną częścią marketingu internetowego (wypychania produktów online). Dowiedzmy się o nich więcej tutaj.
W tym artykule wyjaśniłem działanie systemu rekomendacji na przykładzie z życia, aby pokazać, że nie ogranicza się to do marketingu online. Jest używany przez wszystkie branże. Poznamy też różne jego rodzaje, a następnie wykonamy praktyczne ćwiczenie. Terminy „silnik rekomendacji” i „system rekomendacji” są używane zamiennie. Nie daj się zmylić!
Na czym dokładnie polega praca silnika rekomendacji i rekomendacje t?
Poprzedni przykład dałby ci dobry pomysł. Czas uczynić to krystalicznie czystym. Zrozummy, co każdy silnik rekomendacji może zrobić w kontekście poprzedniego przykładu (Bank X):
Sprawdza kupców/przedmioty, którymi klient może być zainteresowany po zakupie czegoś innego.
Szacuje zysk i stratę, jeśli klientowi można polecić wiele konkurencyjnych produktów. Teraz w oparciu o profil klienta rekomenduje ofertę zorientowaną na klienta lub zorientowaną na produkt. W przypadku klienta o wysokiej wartości, którym inne banki są również zainteresowane zdobyciem udziału w portfelu, możesz chcieć wydobyć najlepsze ze swoich ofert.
Może zwiększyć zaangażowanie klientów, dostarczając oferty, które mogą być dla niego bardzo atrakcyjne. Tak, że i tak mógł kupić przedmiot, ale z dodatkową ofertą, bank może zdobyć jego zainteresowanie takiego przypisującego klienta.
Jakie są typy silników rekomendujących?
Zasadniczo istnieją dwa typy silników rekomendujących i dokonujemy tego wyboru w oparciu o branżę. Wyjaśniliśmy każdy z tych algorytmów w naszych poprzednich artykułach, ale tutaj postaram się przedstawić praktyczne wyjaśnienie, które pomoże ci je łatwo zrozumieć.
Algorytmy oparte na kontekście: Jak sama nazwa wskazuje, algorytmy te są silnie oparte na kierowaniu kontekstem przedmiotu. Po zebraniu informacji o przedmiotach na poziomie kontekstu, spróbuj znaleźć podobne przedmioty i polecić je. Na przykład na Youtube możesz znaleźć gatunek, język, w którym występuje film. Teraz na podstawie tych informacji możemy znaleźć podobne (powiązane) te filmy. Gdy już będziemy wyglądać podobnie, po prostu polecamy te filmy klientowi, który pierwotnie widział tylko pierwszy film. Takie algorytmy są bardzo powszechne w kanałach wideo online, sklepach internetowych z piosenkami itp. Prawdopodobnym powodem jest to, że takie informacje na poziomie kontekstu są znacznie łatwiejsze do uzyskania, gdy produkt / przedmiot można wyjaśnić za pomocą kilku wymiarów.
Algorytmy filtrowania grupowego: Jest to jeden z najczęściej używanych algorytmów, ponieważ nie jest zależny od żadnych dodatkowych informacji. Wszystko czego potrzebujesz to informacje o poziomie transakcji w branży. Na przykład: gracz e-commerce, taki jak Amazon i banki, takie jak American Express, często używają tego algorytmu do tworzenia rekomendacji handlowców/produktów. Ponadto istnieje kilka typów algorytmów filtrowania grupowego:
Filtrowanie oparte na współpracy użytkownika-użytkownika: Tutaj znajdujemy podobnego klienta do każdego klienta i oferujemy produkty, które pierwszy klient wybrał w przeszłości. Ten algorytm jest bardzo skuteczny, ale zajmuje dużo czasu i zasobów, ponieważ wymaga obliczenia każdej informacji o parze klientów. Dlatego w przypadku dużych platform bazowych ten algorytm jest trudny do zaimplementowania bez bardzo silnego systemu równoległego.
Wspólne filtrowanie elementu-elementu: jest dość podobne do poprzedniego algorytmu, ale zamiast szukać podobnych klientów, próbujemy znaleźć podobny przedmiot. Gdy mamy już taką samą matrycę przedmiotów, możemy z łatwością polecić podobne przedmioty klientowi, który kupił dowolny przedmiot w sklepie. Algorytm ten zużywa znacznie mniej zasobów niż wspólne filtrowanie użytkownika i użytkownika. Dlatego w przypadku nowego klienta algorytm zajmuje znacznie mniej czasu niż współpraca użytkownika z użytkownikiem, ponieważ nie potrzebujemy wszystkich wyników podobieństwa między klientami. A przy stałej liczbie produktów, macierz podobieństwa produktu do produktu jest stała w czasie.
Inne prostsze algorytmy: Istnieją inne podejścia, takie jak analiza koszyka rynkowego, które generalnie nie mają dużej mocy predykcyjnej niż ostatnie algorytmy.