Cuprins:
- Elementele de bază ale etichetelor pentru a descrie elementele
- Unele recomandări se pot conecta cu interesele clientului, dar clientul nu mai poate cumpăra. Cea mai mare încredere că o recomandare este exactă vine din dovezi clare: clientul cumpără articolul. În mod alternativ, sistemul poate cere în mod explicit utilizatorului să evalueze recomandările.
- măsoară setul de posibile recomandări bune ale sistemului dvs. Gândiți-vă la rechemare ca pe un inventar al posibilelor recomandări, dar nu toate acestea sunt recomandări perfecte. Există, în general, o relație inversă cu precizia și rechemarea. Asta este, așa cum reamintește, precizia coboară și invers.
Video: Recommender Systems 2024
Sistemele de recomandare bazate pe conținut se potrivesc mai mult cu profilul utilizatorului să facă recomandări. Când un utilizator achiziționează un element care a marcat caracteristici, vor fi recomandate elemente cu caracteristici care se potrivesc cu cele ale elementului original. Cu cât mai multe caracteristici se potrivesc, cu atât este mai mare probabilitatea ca utilizatorul să-i placă recomandarea. Acest grad de probabilitate se numește precizie .
Elementele de bază ale etichetelor pentru a descrie elementele
În general, compania care efectuează vânzarea (sau producătorul) etichetează, de regulă, elementele sale cu cuvinte cheie. Cu toate acestea, pe site-ul Amazon, este destul de tipic să nu vedeți niciodată etichetele pentru elementele achiziționate sau vizualizate - și nici măcar să vi se solicite să etichetați un element. Clienții pot examina articolele pe care le-au cumpărat, dar acestea nu sunt aceleași cu etichetarea.
Elementele de marcare pot reprezenta o provocare la scară pentru un magazin ca Amazon care are atât de multe elemente. În plus, unele atribute pot fi subiective și pot fi etichetate incorect, în funcție de cine îl etichetează. O soluție care rezolvă problema scalării este de a permite clienților sau publicului larg să eticheteze elementele.
Pentru a menține etichetele ușor de manevrat și exacte, un set acceptabil de etichete poate fi furnizat de către site. Numai atunci când un număr corespunzător de utilizatori sunt de acord (adică folosiți aceeași etichetă pentru a descrie un element), eticheta convenită va fi utilizată pentru a descrie elementul.
Etichetarea bazată pe utilizator, totuși, prezintă alte probleme pentru un sistem de filtrare bazat pe conținut (și filtrarea colaborativă):
-
Credibilitate: Nu toți clienții spun adevărul (în special online) doar un mic istoric de rating poate schimba datele. În plus, unii furnizori pot da (sau încuraja altora să dea) ratinguri pozitive pentru propriile produse, acordând în același timp ratinguri negative produselor concurenților lor.
-
Sparsity: Nu toate articolele vor fi evaluate sau vor avea suficiente evaluări pentru a produce date utile.
-
Inconsecvență: Nu toți utilizatorii folosesc aceleași cuvinte cheie pentru a eticheta un element, deși semnificația poate fi aceeași. În plus, unele atribute pot fi subiective. De exemplu, un spectator al unui film poate considera că este scurt, în timp ce altul spune că este prea lung.
Atributele au nevoie de definiții clare. Un atribut cu prea puține limite este greu de evaluat; impunerea prea multor reguli asupra unui atribut ar putea cere utilizatorilor să facă prea multă muncă, ceea ce îi va descuraja să eticheteze elementele.
Etichetarea majorității articolelor dintr-un catalog de produse poate ajuta la rezolvarea problemei de pornire la rece care afectează filtrarea colaborativă.Cu toate acestea, pentru o perioadă de timp, precizia recomandărilor sistemului va fi scăzută până când va crea sau obține un profil de utilizator.
Iată un exemplu de matrice a clienților și a articolelor achiziționate, care arată un exemplu de filtrare bazată pe conținut.
Elemente | Caracteristică 1 | Caracteristică 2 | Caracteristică 3 | Caracteristică 4 | X |
---|---|---|---|---|---|
X | X | X | |||
Poz. 5 | X | Poz. 3 | |||
X | > X | X | Aici, dacă un utilizator îi place caracteristica 2 - și aceasta este înregistrată în profilul său - sistemul va recomanda toate elementele care au Feature 2 în ele: item 1, item 2 and item 4. > Această abordare funcționează chiar dacă utilizatorul nu a cumpărat sau revizuit niciodată un element. Sistemul va arăta doar în baza de date a produsului pentru orice element care a fost etichetat cu Feature 2. Dacă (de exemplu) un utilizator care caută filme cu Audrey Hepburn - și această preferință apare în profilul utilizatorului - sistemul va recomanda toate filmele care includ Audrey Hepburn acestui utilizator. | ||
Acest exemplu, însă, expune rapid o limitare a tehnicii de filtrare bazate pe conținut: utilizatorul probabil știe deja despre toate filmele pe care Audrey Hepburn le-a făcut sau le poate găsi ușor - din punctul de vedere al acelui utilizator, sistemul nu a recomandat nimic nou sau de valoare. | Modul de îmbunătățire a preciziei cu feedback constant | O modalitate de a îmbunătăți precizia recomandărilor sistemului este de a cere clienților feedback pentru fiecare dată când este posibil. Colectarea feedback-ului clienților se poate face în mai multe moduri, prin mai multe canale. Unele companii solicită clientului să evalueze un element sau un serviciu după cumpărare. Alte sisteme oferă legături de tip social-media, astfel încât clienții să poată "îți place" sau "nu-i place" un produs. Interacțiunea constantă între | Modul de măsurare a eficienței recomandărilor sistemului | ||
Succesul recomandărilor unui sistem depinde de cât de bine îndeplinește două criterii: | precizie | (gândiți-vă ca un set de potriviri perfecte - de obicei un set mic) și | amintesc |
(gândiți-vă la acesta ca la un set de potriviri posibile - de obicei, un set mai mare). Iată o privire mai atentă:
Precizia
măsoară cât de corectă a fost recomandarea sistemului. Precizia este dificil de măsurat deoarece poate fi subiectivă și greu de cuantificat. De exemplu, atunci când un utilizator accesează mai întâi site-ul Amazon, poate Amazon să știe sigur dacă recomandările sale sunt în țintă?
Unele recomandări se pot conecta cu interesele clientului, dar clientul nu mai poate cumpăra. Cea mai mare încredere că o recomandare este exactă vine din dovezi clare: clientul cumpără articolul. În mod alternativ, sistemul poate cere în mod explicit utilizatorului să evalueze recomandările.
Recall
măsoară setul de posibile recomandări bune ale sistemului dvs. Gândiți-vă la rechemare ca pe un inventar al posibilelor recomandări, dar nu toate acestea sunt recomandări perfecte. Există, în general, o relație inversă cu precizia și rechemarea. Asta este, așa cum reamintește, precizia coboară și invers.
Sistemul ideal ar avea atât o precizie ridicată, cât și o reamintire înaltă. Dar, în mod realist, cel mai bun rezultat este acela de a găsi un echilibru delicat între cele două. Accentuarea preciziei sau a rechemării depinde într-adevăr de problema pe care încercați să o rezolvați.