Cum se utilizează filtrele de colaborare bazate pe elemente în analiza predictivă - dummies

Unul dintre sistemele recomandate de Amazon pentru analizele predictive Filtrarea colaborativă bazată pe elemente - realizarea unui inventar imens de produse din baza de date a companiei atunci când un utilizator vizualizează un singur articol pe site. Știți că vă uitați la un sistem de filtrare colaborativ bazat pe elemente (sau, adesea, la un sistem bazat pe conținut) dacă vă arată recomandări la vizualizarea primului element, chiar dacă nu ați creat un profil.

Arată magie, dar nu este. Deși profilul dvs. nu a fost încă creat (deoarece nu sunteți conectat sau nu aveți istoricul browserului anterior pe site-ul respectiv), sistemul ia ceea ce înseamnă o estimare: își bazează recomandarea pe elementul ea însăși și ce au vizualizat sau cumpărat alți clienți după (sau înainte) au cumpărat articolul respectiv. Deci veți vedea un mesaj pe ecran ca

Clienții care au cumpărat acest produs au cumpărat de asemenea …

Clienții care au cumpărat articole din istoria dvs. recente au cumpărat de asemenea …

Ce alte produse achiziționează clienții după vizualizarea acestui articol?

În esență, recomandarea se bazează pe cât de similar este articolul vizionat în prezent la alte articole, pe baza acțiunilor comunității de utilizatori.

Următoarele arată o matrice de eșantionare a clienților și elementele pe care le-au achiziționat. Acesta va fi folosit ca un exemplu de filtrare colaborativă bazată pe elemente.

> 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 Acum, să ne uităm la similaritatea elementului calculată folosind formula de similitudine cosinus. Formula pentru similitudinea cosinusului

este (A & middot; B) / (|| A || || B ||), unde A și B sunt elemente de comparat. Pentru a citi următorul exemplu și pentru a afla cum sunt similare o pereche de elemente, localizați doar celula unde se intersectează cele două elemente. Numărul va fi între 0 și 1. O valoare de 1 înseamnă că elementele sunt perfect similare; 0 înseamnă că nu sunt similare. 0

0	0	0	Poz. 5	0. 26	0. 29
0. 52	0. 82	0	Postul 4	0. 32		0. 35
0. 32	0. 82	0	Poz. 3		0. 40	0. 45
0. 32	0. 52	0		Poz. 2	0. 67	0. 45
0. 35	0. 29		0	Poz. 1	0. 67	0. 40
0. 32		0. 26	0	Elementul 1	Elementul 2	Poz. 3
	Poz. 4	o anumită valoare de similitudine sau poate recomanda numărul de elemente	n	de sus.În acest scenariu, puteți spune că orice valoare mai mare sau egală cu 0. 40 este similară; sistemul va recomanda aceste elemente.	De exemplu, similaritatea dintre item 1 și item 2 este 0. 67. Similaritatea dintre item 2 și item 1 este aceeași. Prin urmare, este o imagine oglindă de-a lungul diagonalei de la stânga jos la dreapta-sus. De asemenea, puteți vedea că elementul 6 nu este similar cu niciun alt element deoarece are valoarea 0.	Această implementare a unui sistem de recomandări bazat pe elemente este simplificată pentru a ilustra modul în care funcționează. Pentru simplificare, utilizați un singur criteriu pentru a determina similitudinea elementului: dacă utilizatorul a cumpărat elementul. Sistemele mai complexe ar putea intra în detaliu prin

Folosirea profilurilor create de utilizatori care reprezintă gusturile lor Factoring în cât de mult îi place (sau răsfoiesc) un element Cântăriți câte articole au cumpărat similar cu elementul (ele) potențial recomandat

Efectuarea de presupuneri despre faptul dacă un utilizator preferă un element pe baza faptului dacă utilizatorul a văzut pur și simplu articolul, chiar dacă nu a fost făcută nicio achiziție

utilizați acest sistem de recomandare:

• Offline printr-o campanie 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 aceste recomandări pe site:

• la clientul B

• Recomandat deoarece clientul B a cumpărat elementele 1 și 2 și ambele articole sunt similare cu punctul 3.

Punctul 4, apoi elementul 2, la clientul C

• Recomandat deoarece clientul C a achiziționat articolele 3 și 5 Poziția 5 este similară cu punctul 4 (valoare de similaritate: 0. 82). Pozitia 2 este similar cu punctul 3 (valoare de similaritate: 0. 45).

  Punctul 2 pentru client D

  • Recomandat deoarece clientul D a achiziționat articolele 3, 4 și 5. Pozitia 3 este similară cu punctul 2.

    Elementul 1 pentru client E

  • Recomandat deoarece clientul E a achiziționat articolele 2 și 3, ambele fiind similare cu punctul 1.

    Poz. 3 la clientul F

  • Recomandat deoarece clientul F a achiziționat elementele 1, 2, 4 și 5. Elementele 1, 2 și 5 sunt similare cu punctul 3.

    Punctul 2 pentru clientul G

  • Recomandat deoarece clientul G a cumpărat elementele 1 și 3. Ambele sunt similare cu punctul 2.

    Punctul 2, apoi elementul 3, clientului H

  • a cumpărat articolul 1. Punctul 1 este similar cu elementele 2 și 3.

    Element nedeterminat pentru clientul A

  • În mod ideal, ar trebui să aveți mai multe articole și utilizatori. Și ar trebui să existe niște elemente pe care un client le-a cumpărat și care sunt similare cu alte produse pe care nu le-a cumpărat încă.

    Element nedeterminat față de client I

  • În acest caz, datele sunt insuficiente pentru a servi drept bază pentru o recomandare. Acesta este un exemplu al problemei de pornire la rece.

    Online prin intermediul unei vizualizări de pagină în timp ce utilizatorul nu este conectat.