Elementele de bază ale filtrelor colaborative bazate pe utilizator în analiza predictivă - dummy

Cu o abordare bazată pe utilizator pentru filtrarea colaborativă în analiza predictivă, sistemul poate calcula similitudinea între perechi de utilizatori utilizând formula de similitudine cosinus, o tehnică asemănătoare abordării bazate pe elemente. De obicei, aceste calcule necesită mai mult timp și ar putea fi necesar să fie calculate mai des decât cele utilizate în abordarea bazată pe elemente. Asta pentru că

• ai avea mai mulți utilizatori decât articole (în mod ideal, oricum).

• Ați aștepta ca articolele să se schimbe mai puțin frecvent decât utilizatorii.

• Cu mai mulți utilizatori și mai puține schimbări în elementele oferite, puteți utiliza mai multe atribute decât să cumpărați istoricul la calcularea asemănării utilizatorilor.

Un sistem bazat pe utilizator poate utiliza, de asemenea, algoritmi de învățare a mașinilor pentru a grupa toți utilizatorii care au demonstrat că au aceleași gusturi. Sistemul construiește cartiere ale utilizatorilor care au profiluri similare, modele de cumpărare sau modele de rating. Dacă o persoană dintr-un cartier cumpără și îi place un articol, sistemul recomandat poate recomanda acest articol tuturor celor din vecinătate.

Ca și în cazul filtrării bazate pe elemente bazate pe elemente, abordarea bazată pe utilizator necesită date suficiente pentru fiecare utilizator pentru a fi eficientă. Înainte ca sistemul să poată face recomandări, trebuie să creeze un profil de utilizator - de aceea este necesar ca utilizatorul să creeze un cont și să fie conectat (sau să stocheze informații despre sesiune în browser prin cookie-uri) în timp ce vizionează un site web.

Inițial, sistemul poate solicita utilizatorului să creeze în mod explicit un profil, să creeze profiluri prin punerea de întrebări și apoi să-și optimizeze sugestiile după cum au acumulat datele de achiziție ale utilizatorului.

Netflix este un exemplu de construire rapidă a unui profil pentru fiecare client. Iată procedura generală:

1. Netflix îi invită pe clienți să creeze cozi de filme pe care ar dori să le urmărească.

2. Filmele alese sunt analizate pentru a afla despre gusturile clienților din filme.

3. Modelul predictiv recomandă mai multe filme pentru a viziona clientul, pe baza filmelor deja în coadă.

O matrice de exemple de clienți și articolele achiziționate - este un exemplu de filtrare colaborativă bazată pe utilizator. Pentru simplificare, utilizați o regulă care generează o vecinătate utilizatorilor de la utilizatori care au cumpărat cel puțin două lucruri în comun.

Clientul	Produsul 1	Produsul 2	Produsul 3	Item 4	Item 5	Item 6
> X	X - X	X	X
X	X	X
> X	X	X
X	X	X	X
> H - N3	X	I - N3
X	Există trei cartiere utilizator formate: N1, N2 și N3.Fiecare utilizator din cartierele N1 și N2 a achiziționat cel puțin 2 articole în comun cu altcineva din același cartier. N3 sunt utilizatori care nu au îndeplinit încă criteriile și nu vor primi recomandări până când nu cumpără alte elemente pentru a îndeplini criteriile.	Iată un exemplu despre modul în care ați putea utiliza acest sistem de recomandare:	Offline	prin intermediul unei campanii de marketing prin e-mail sau dacă utilizatorul se află pe site în timp ce este conectat. Sistemul ar putea trimite anunțuri de marketing sau să facă recomandări pe site-ul Web, după cum urmează:
Punctul 3 la Clientul B	Punctul 4 la Clientul C	Punctul 1 la Clientul E
pentru clienți A și D	În mod ideal, ar trebui să aveți mai multe elemente decât șase. Și ar trebui să existe întotdeauna unele elemente în cartierul unui client pe care clientul nu le-a cumpărat încă.
Element nedeterminat față de clienți H și I	În acest caz, datele nu sunt suficiente pentru a servi drept bază pentru o recomandare.

O diferență foarte importantă este că, deoarece fiecare client aparține unui grup, orice achiziții viitoare pe care un membru le face vor fi recomandate celorlalți membri ai grupului până când filtrul va fi recalificat. Astfel, clienții A și D vor începe să primească recomandări foarte repede, deoarece aparțin deja unui cartier și cu siguranță ceilalți vecini vor cumpăra ceva în curând.

De exemplu: dacă clientul B achiziționează articolul 6, sistemul de recomandare va recomanda articolul 6 tuturor celor din N1 (clienți A, B, E, F și G).

Clientul F poate să aparțină oricăror cartiere N1 sau N2 în funcție de modul în care este implementat algoritmul de filtrare colaborativă. Clienții H și I oferă exemple ale problemei de pornire la rece

• :

• Clientul nu a generat suficiente date pentru a fi grupat într-un cartier de utilizator. În absența unui profil de utilizator, un nou client cu foarte puțin sau deloc istoric de achiziții - sau care achiziționează numai obiecte obscure - va reprezenta întotdeauna problema de pornire la rece a sistemului, indiferent de ce abordare de filtrare colaborativă este utilizată.

• Clientul ilustrează un aspect al problemei de pornire la rece, care este unică pentru abordarea bazată pe utilizator. Abordarea bazată pe elemente ar începe să găsească alte elemente similare cu elementul pe care clientul la cumpărat; atunci, dacă alți utilizatori încep să cumpere articolul 6, sistemul poate începe să facă recomandări.

• Utilizatorul nu trebuie să facă alte achiziții; abordarea bazată pe elemente poate începe să recomande. Într-un sistem bazat pe utilizator, cu toate acestea, Clientul trebuie să facă achiziții suplimentare pentru a fi membru al unei vecinătăți a utilizatorilor; sistemul nu poate face încă nicio recomandare.

• Bineînțeles, există o presupunere la lucru în aceste exemple simple - și anume, că clientul nu numai că a achiziționat articolul, dar și-a plăcut suficient pentru a face achiziții similare. Ce se întâmplă dacă clientul nu le-a plăcut elementul? Sistemul are nevoie cel puțin de o precizie mai bună în recomandările sale.

• Puteți adăuga un criteriu la sistemul de recomandare pentru gruparea persoanelor care au acordat evaluări similare cu elementele pe care le-au achiziționat.Dacă sistemul găsește clienții care îi plac și nu le plac aceleași elemente, atunci presupunerea de înaltă precizie este valabilă. Cu alte cuvinte, există o mare probabilitate ca clienții să aibă aceleași gusturi.