Slik bruker du produktbaserte samarbeidsfiltre i Predictive Analysis - dummies

En av Amazons anbefalingssystemer for prediktiv analyse bruker Objektbasert samarbeidsfiltrering - utelukker en stor beholdning av produkter fra bedriftsdatabasen når en bruker viser et enkelt element på nettsiden. Du vet at du ser på et objektbasert samarbeidsfilter-system (eller ofte et innholdsbasert system) hvis det viser anbefalinger i den aller første elementvisningen, selv om du ikke har opprettet en profil.

Ser ut som magi, men det er det ikke. Selv om profilen din ikke har blitt opprettet ennå (fordi du ikke er logget inn eller du ikke har noen tidligere nettleserhistorikk på dette nettstedet) tar systemet noe som gjettes: Det baserer sin anbefaling på elementet seg selv og hvilke andre kunder som har sett eller kjøpt etter (eller tidligere) de kjøpte det aktuelle produktet. Så du vil se noen skjermmelding som

• Kunder som kjøpte denne varen har også kjøpt …

• Kunder som kjøpte varer i den siste historien har også kjøpt …

• Hvilke andre varer kjøper kunder etter at du har sett denne varen?

I utgangspunktet er anbefalingen basert på hvordan lignende det aktuelt viste elementet er til andre elementer, basert på handlingene til brukerne.

Følgende viser en utvalgsmatrise av kunder og elementene de kjøpte. Det vil bli brukt som et eksempel på objektbasert samarbeidsfiltrering.

Kunde	Punkt 1	Pkt. 2	Punkt 3	Punkt 4	Punkt 5	Punkt 6
A	X > X	X	B
X	X	C
X			X		D
X			X	X	E
X		X	F
X	X	X		X	G
X	X		H
X > I	X
						La oss nå se på likhet med objektet beregnet ved hjelp av cosinus likhetsformelen. Formelen for

cosinus likhet

er (A & m; B) / (|| A || || B ||), hvor A og B er elementer for å sammenligne. For å lese følgende eksempel og finne ut hvordan lignende et par elementer er, bare finn cellen der de to elementene krysser. Tallet vil være mellom 0 og 1. En verdi på 1 betyr at elementene er helt like; 0 betyr at de ikke er like.

Element 6

0

0	0	0	0	Element 5	0. 26
0. 29	0. 52	0. 82	0	Element 4		0. 32
0. 35	0. 32	0. 82	0		Punkt 3	0. 40
0. 45	0. 32	0. 52		0	Element 2	0. 67
0. 45	0. 35		0. 29	0	Element 1	0. 67
0. 40		0. 32	0. 26	0	Element 1	Element 2
	Element 3	Element 4	Element 5	Element 6	Systemet kan gi en liste over anbefalinger som ligger over en viss likhetsverdi eller kan anbefale topp	n

antall elementer.I dette scenariet kan du si at en verdi som er større enn eller lik 0.40 er like; systemet vil anbefale disse elementene. For eksempel er likheten mellom element 1 og element 2 0. 67. Likheten mellom element 2 og element 1 er den samme. Dermed er det et speilbilde over diagonalen fra nedre venstre til øverst til høyre. Du kan også se det elementet 6 ikke ligner på noen andre elementer fordi det har en verdi på 0. Denne implementeringen av et elementbasert anbefalingssystem forenkles for å illustrere hvordan det fungerer. For enkelhet, bruk bare ett kriterium for å bestemme gjenstandens likhet: om brukeren kjøpte varen. Mer komplekse systemer kan gå i større detalj ved

Bruke profiler opprettet av brukere som representerer deres smak

Faktoring i hvor mye brukeren liker (eller høyt satser) et element

• Veier hvor mange elementer brukeren kjøpte som er ligner på det potensielle anbefalte elementet (e)

• Gjør antagelser om hvorvidt en bruker liker et element på grunnlag av om brukeren bare har sett varen, selv om det ikke ble gjort noe kjøp.

• Her er to vanlige måter du kan Bruk dette anbefalingssystemet:

• Frakoblet via en e-postmarkedsføringskampanje, eller hvis brukeren er på nettstedet mens du er logget inn.

Systemet kan sende markedsføringsannonser eller gjøre disse anbefalingene på nettstedet:

• Punkt 3 til kunde B

  Anbefalt fordi kunde B kjøpte element 1 og 2, og begge elementene ligner på punkt 3.

  • Artikkel 4, deretter punkt 2, til kunde C

    Anbefalt fordi kunde C kjøpte element 3 og 5. Punkt 5 ligner punkt 4 (likhetsverdi: 0. 82). Punkt 2 ligner pkt 3 (likhetsverdi: 0. 45).

  • Artikkel 2 til kunde D

    Anbefalt fordi kunde D kjøpte varer 3, 4 og 5. Posisjon 3 ligner på punkt 2.

  • Artikkel 1 til kunde E

    Anbefalt fordi kunde E kjøpte varer 2 og 3, som begge ligner på punkt 1.

  • Punkt 3 til kunde F

    Anbefales fordi Kunde F kjøpte elementer 1, 2, 4 og 5. Elementene 1, 2 og 5 ligner pkt 3.

  • Punkt 2 til kunde G

    Anbefalt fordi Kunde G kjøpte element 1 og 3. De ligner begge punkt 2.

  • Punkt 2, deretter Punkt 3, til Kunde H

    Anbefalt fordi Kunde H kjøpt vare 1. element 1 ligner på vare 2 og 3.

  • ubestemt vare til kunde a

    ideelt sett bør du ha mange flere varer og brukere. Og det skal være noen elementer som en kunde har kjøpt som ligner på andre gjenstander som han eller hun ennå ikke har kjøpt.

  • Ubestemt vare til kunden I

    I dette tilfellet er dataene utilstrekkelige til å fungere som grunnlag for en anbefaling. Dette er et eksempel på kaldstartsproblemet.

  • Online via en sidevisning mens brukeren ikke er logget inn.