Grunnleggende om brukerbaserte samarbeidsfiltre i Prediktiv analyse - dummier <[SET:descriptionno]Med en brukerbasert tilnærming

Med en brukerbasert tilnærming til samarbeidsfiltrering i prediktiv analyse, kan systemet beregne likhet mellom par brukere ved å bruke cosinus likhetsformelen, en teknikk som ligner på elementbasert tilnærming. Vanligvis tar slike beregninger lengre tid å gjøre, og må kanskje beregnes oftere enn de som brukes i elementbasert tilnærming. Det er fordi

• Du vil ha mange flere brukere enn elementer (helst uansett).

• Du forventer at elementer skal endres sjeldnere enn brukere.

• Med flere brukere og mindre endring i elementene som tilbys, kan du bruke mange flere attributter enn bare kjøpe historie når du beregner brukerlikhet.

Et brukerbasert system kan også bruke maskinlæringsalgoritmer til å gruppere alle brukere som har vist at de har samme smak. Systemet bygger nabolag til brukere som har lignende profiler, kjøpsmønstre eller vurderingsmønstre. Hvis en person i et nabolag kjøper og liker et element, kan anbefalingssystemet anbefale det elementet til alle andre i nabolaget.

Som med produktbasert samarbeidsfiltrering krever brukerbasert tilnærming tilstrekkelig data for hver bruker til å være effektiv. Før systemet kan gi anbefalinger, må det opprette en brukerprofil - slik at det også krever at brukeren oppretter en konto og være logget inn (eller lagre øktinformasjon i nettleseren via informasjonskapsler) mens du ser på et nettsted.

Innledningsvis kan systemet be brukeren eksplisitt til å opprette en profil, kutte ut profilen ved å stille spørsmål, og deretter optimalisere sine forslag etter at brukerens kjøpsdata har akkumulert.

Netflix er et eksempel på å raskt bygge en profil for hver kunde. Her er den generelle prosedyren:

1. Netflix inviterer sine kunder til å sette opp køer av filmene de ønsker å se på.

2. De valgte filmene analyseres for å lære om kundens smak i filmer.

3. Den prediktive modellen anbefaler flere filmer for kunden å se, basert på filmene som allerede er i køen.

En utvalgsmatrise av kunder og deres kjøpte varer - er et eksempel på brukerbasert samarbeidsfiltrering. For enkelhet, bruk en regel om at et brukerområde er opprettet fra brukere som kjøpte minst to ting til felles.

Kunde	Punkt 1	Punkt 2	Punkt 3	Pkt 4	Pkt 5	Punkt 6
A - N1	X	X > X	B-N1
X	X	C-N2
X	X	D-N2
X	X	X > E-N1	X
X	F-N1	X
X	X	X	G-N1	X
X > H - N3	X	I - N3
X	Det er tre brukerkvarterer dannet: N1, N2 og N3.Hver bruker i nabolag N1 og N2 har kjøpt minst 2 elementer til felles med noen andre i samme nabolag. N3 er brukere som ennå ikke har oppfylt kriteriene, og vil ikke motta anbefalinger før de kjøper andre elementer for å oppfylle kriteriene.
Her er et eksempel på hvordan du kan bruke dette anbefalingssystemet:	Frakoblet

via en e-postmarkedsføringskampanje, eller hvis brukeren er på nettstedet mens du er logget inn. Systemet kan sende markedsføringsannonser eller gi anbefalinger på nettstedet som følger:

Punkt 3 til kunde B

Punkt 4 til kunde C Punkt 1 til kunde E

• Punkt 3 til kunde F

• Pkt. 2 til kunde G

• Ubestemt element til kundene A og D

• Ideelt sett bør du ha mye flere gjenstander enn seks. Og det skal alltid være noen varer i kundens nabolag som kunden ikke har kjøpt ennå.

• Ubestemt vare til kundene H og I

• I dette tilfellet er det ikke nok data til å fungere som grunnlag for en anbefaling.

  En svært viktig forskjell er at siden hver kunde tilhører en gruppe, vil eventuelle fremtidige kjøp som et medlem gjør, bli anbefalt til de andre medlemmene i gruppen til filteret omskoles. Så kunder A og D vil begynne å få anbefalinger veldig raskt siden de allerede tilhører et nabolag, og sikkert vil de andre naboene kjøpe noe snart.

• For eksempel: Hvis kunde B kjøper element 6, vil anbefalingssystemet anbefale punkt 6 til alle i N1 (Kunde A, B, E, F og G).

  Kunde F kan potensielt tilhøre enten nabolag N1 eller N2 avhengig av hvordan samarbeidsfiltreringsalgoritmen implementeres.

Kunder H og jeg gir eksempler på

kaldstartsproblemet:

Kunden har ikke generert nok data til å bli gruppert i et brukerområde. I mangel av en brukerprofil vil en ny kunde med svært liten eller ingen kjøpshistorikk - eller som bare kjøper obskure elementer - alltid utgjøre kaldstartproblemet til systemet, uansett hvilken samarbeidsfiltreringstilgang som er i bruk.

Kunde Jeg illustrerer et aspekt av kaldstartsproblemet som er unikt for brukerbasert tilnærming. Elementbasert tilnærming ville begynne å finne andre gjenstander som ligner på elementet som kunden kjøpte; Så hvis andre brukere begynner å kjøpe element 6, kan systemet begynne å lage anbefalinger. Det må ikke foretas ytterligere kjøp av brukeren; Elementbasert tilnærming kan begynne å anbefale. I et brukerbasert system må kunden jeg imidlertid gjøre ytterligere kjøp for å tilhøre et nabolag av brukere; systemet kan ikke gjøre noen anbefalinger ennå. Ok, det er en antagelse på jobb i disse enkle eksemplene - nemlig at kunden ikke bare kjøpte varen, men likte det nok til å gjøre lignende kjøp. Hva om kunden ikke likte varen? Systemet trenger i det minste å produsere bedre presisjon i sine anbefalinger.

Du kan legge til et kriterium for anbefalingssystemet for å gruppere folk som ga lignende karakterer til elementene de kjøpte.Hvis systemet finner kunder som liker og misliker de samme elementene, er antakelsen om høy presisjon gyldig. Det er med andre ord høy sannsynlighet for at kundene deler samme smak.