Hvordan man bruger varebaserede samarbejdsvilkår i prædiktiv analyse - dummier

En af Amazons recommender-systemer til prædiktiv analyse bruger Objektbaseret samarbejdsfiltrering - udslugning af en enorm fortegnelse over produkter fra virksomhedsdatabasen, når en bruger får vist en enkelt genstand på hjemmesiden. Du ved, at du kigger på et produktbaseret samarbejdefilter (eller ofte et indholdsbaseret system), hvis det viser dine anbefalinger i din allerførste varevisning, selvom du ikke har oprettet en profil.

Ligner magi, men det er det ikke. Selvom din profil endnu ikke er oprettet (fordi du ikke er logget ind, eller du ikke har nogen tidligere browserhistorik på det pågældende websted), tager systemet hvad der svarer til et gæt: Det baserer sin anbefaling på varen selv og hvilke andre kunder, der blev set eller købt efter (eller før) de købte den pågældende vare. Så du får vist en besked på skærmen som

• Kunder der har købt denne vare købte også …

• Kunder, der købte varer i din nylige historie købte også …

• Hvilke andre varer køber kunderne efter at have vist denne vare?

Anbefalingen er i bund og grund baseret på, hvordan lignende det aktuelt viste emne er for andre emner, baseret på handlingerne fra brugerne.

Følgende viser en stikprøvematrix af kunder og de varer, de har købt. Det vil blive brugt som et eksempel på elementbaseret samarbejdsfiltrering.

Kunde	Punkt 1	Punkt 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
						Lad os nu se på objektets lighed beregnet ved hjælp af cosinus lighed formel. Formlen for

cosinus lighed

er (A & m; B) / (|| A || || B ||), hvor A og B er elementer, der skal sammenlignes. For at læse følgende eksempel og finde ud af, hvordan lignende et par elementer er, skal du blot finde cellen, hvor de to punkter krydser. Nummeret vil være mellem 0 og 1. En værdi på 1 betyder, at emnerne er helt ens; 0 betyder, at de ikke er ens.

Punkt 6

0

0	0	0	0	Punkt 5	0. 26
0. 29	0. 52	0. 82	0	Punkt 4		0. 32
0. 35	0. 32	0. 82	0		Punkt 3	0. 40
0. 45	0. 32	0. 52		0	Punkt 2	0. 67
0. 45	0. 35		0. 29	0	Punkt 1	0. 67
0. 40		0. 32	0. 26	0	Punkt 1	Punkt 2
	Punkt 3	Punkt 4	Punkt 5	Punkt 6	Systemet kan give en liste over anbefalinger, der ligger over en bestemt lighed eller kan anbefale det øverste	n

antal genstande.I dette scenario kan du sige, at en værdi større end eller lig med 0. 40 er ens; systemet vil anbefale disse elementer. For eksempel er ligheden mellem emne 1 og emne 2 0. 67. Ligheden mellem emne 2 og emne 1 er den samme. Således er det et spejlbillede på tværs af diagonalen fra nederst til venstre til øverst til højre. Du kan også se det element 6 svarer ikke til andre elementer, fordi det har en værdi på 0. Denne implementering af et varebaseret anbefalingssystem forenkles for at illustrere, hvordan det virker. For enkelhed skal du kun bruge ét kriterium til at bestemme objektets lighed: om brugeren købte varen. Flere komplekse systemer kan komme i større detaljer ved

Brug af profiler oprettet af brugere, der repræsenterer deres smag

Factoring i hvor meget s brugeren kan lide (eller højt satser) en vare

• Afvejning af, hvor mange genstande brugeren har købt, er ligner det potentielle anbefalede produkt (er)

• Gør antagelser om, hvorvidt en bruger kan lide et emne på grundlag af, om brugeren simpelthen har set varen, selvom der ikke blev foretaget noget køb.

• Her er to almindelige måder, du kunne Brug dette anbefalingssystem:

• Offline via en e-mail marketingkampagne, eller hvis brugeren er på hjemmesiden, mens du er logget ind.

Systemet kunne sende marketingannoncer eller gøre disse anbefalinger på hjemmesiden:

• Punkt 3 til kunde B

  Anbefalet, fordi kunde B købte varer 1 og 2, og begge varer ligner punkt 3.

  • vare 4, derefter punkt 2, til kunde C

    anbefales fordi kunde C købte varer 3 og 5. Punkt 5 ligner punkt 4 (lighed: 0,82). Punkt 2 ligner punkt 3 (lighed: 0,45).

  • Punkt 2 til Kunde D

    Anbefalet, fordi Kunde D købte varer 3, 4 og 5. Punkt 3 ligner punkt 2.

  • Punkt 1 til kunde E

    Anbefalet fordi Kunde E købte varer 2 og 3, der begge ligner punkt 1.

  • Punkt 3 til kunde F

    Anbefalet, fordi Kunde F købte varer 1, 2, 4 og 5. Varer 1, 2 og 5 ligner punkt 3.

  • Punkt 2 til kunde G

    Anbefalet, fordi Kunde G købte varer 1 og 3. De ligner begge punkt 2.

  • Punkt 2 og derefter Punkt 3 til Kunde H

    Anbefalet, fordi Kunde H købt vare 1. vare 1 ligner punkt 2 og 3.

  • ubestemt vare til kunde A

    ideelt set bør du have mange flere varer og brugere. Og der skal være nogle ting, som en kunde har købt, der ligner andre ting, som han eller hun endnu ikke har købt.

  • Ubestemt vare til Kunden I

    I så fald er dataene utilstrækkelige til at tjene som grundlag for en anbefaling. Dette er et eksempel på koldstartsproblemet.

  • Online via en sidevisning, mens brugeren ikke er logget ind.