تتناول هذه المقالة مقاربات بناء توصيات المنتج والمحتوى المخصصة ، وحالات الاستخدام المحتملة.
تُستخدم توصيات المنتج والمحتوى المخصصة لزيادة التحويل وفحص متوسط وتحسين تجربة المستخدم.
مثال على استخدام النهج هو Amazon و Netflix. بدأت أمازون في استخدام نهج التصفية التعاونية في السنوات الأولى من وجودها وحققت نمو الإيرادات فقط من خلال الخوارزمية بنسبة 10 ٪. يزيد Netflix من مقدار المحتوى الذي تمت مشاهدته نظرًا للنهج القائم على خوارزمية نظام التوصية بنسبة 40٪. الآن ، من الأسهل تسمية شركة لا تستخدم هذا النهج بدلاً من إدراج كل شخص يستخدمه.
لدى Netflix قصة رائعة تتعلق بهذه التكنولوجيا. في الفترة 2006-2009 (حتى قبل أن يصبح مكان مسابقة Kaggle ML شائعًا) ، أعلنت Netflix عن مسابقة مفتوحة لتحسين الخوارزمية بمجموع جوائز يبلغ مليون دولار. استمرت المسابقة عامين وشارك فيها عدة آلاف من المطورين والعلماء. إذا استأجرتهم Netflix في الولاية ، فستكون التكاليف أعلى بعدة مرات من الجائزة الموعودة. نتيجة لذلك ، فاز أحد الفريقين بإرسال حل بالجودة المطلوبة قبل ساعتين من الفريق الآخر ، لتكرار نتيجة الفائز. نتيجة لذلك ، ذهب المال لفريق سريع. أصبحت المنافسة حافزا للتغييرات النوعية في مجال التوصيات الشخصية.
النهج الرئيسي لحل مشكلة بناء أنظمة التوصية هو التصفية التعاونية.
فكرة التصفية التعاونية بسيطة - إذا قام أحد المستخدمين بشراء منتج أو عرض محتوى ، فسنجد مستخدمين لهم أذواق متشابهة ، ونوصي عميلنا باستهلاك أشخاص من أمثاله ، لكن العميل لم يفعل ذلك. هذا هو النهج القائم على المستخدم.
الشكل 1 - مصفوفة تفضيل المنتجوبالمثل ، يمكنك إلقاء نظرة على المشكلة من وجهة نظر البضاعة ، والتقاط البضائع التكميلية لسلة العميل عن طريق زيادة الفحص المتوسط ، أو استبدال البضائع التي ليست في المخزون من قبل التناظرية. هذا هو النهج القائم على العنصر.
في أبسط الحالات ، يتم استخدام الخوارزمية للعثور على أقرب الجيران.
على سبيل المثال: إذا كانت ماريا تحب فيلم "تيتانيك" و "حرب النجوم" ، فستكون أنيا هي الأقرب إلى ذوقها ، حيث شاهدت أيضًا "هاتشيكو" بالإضافة إلى هذه الأفلام. دعونا نوصي ماريا فيلم "هاتشيكو". تجدر الإشارة إلى أنه عادة ما يستخدمون ليس جارًا واحدًا ، ولكن العديد منهم ، مع حساب متوسط النتائج.
الشكل 2: مبدأ تشغيل خوارزمية أقرب الجيرانيبدو أن كل شيء بسيط ، لكن جودة التوصيات التي تستخدم هذا النهج صغيرة.
النظر في خوارزميات معقدة من أنظمة التوصية على أساس خاصية المصفوفات ، أو بالأحرى ، على تحلل المصفوفات.
الخوارزمية الكلاسيكية هي SVD (تحلل المصفوفة المفرد).
معنى الخوارزمية هو أن مصفوفة تفضيلات المنتج (المصفوفة حيث تكون الصفوف مستخدمين والأعمدة هي المنتجات التي تفاعل المستخدمون معها) ممثلة كمنتج لثلاث مصفوفات.
الشكل. 3 خوارزمية SVDبعد استعادة المصفوفة الأصلية ، تُظهر الخلايا التي كان لدى المستخدم فيها أصفار وتظهر أرقام "كبيرة" درجة الاهتمام الكامن بالمنتج. رتب هذه الأرقام واحصل على قائمة بالمنتجات ذات الصلة بالمستخدم.
أثناء هذه العملية ، يظهر المستخدم والمنتج علامات "كامنة". هذه علامات توضح الحالة "المخفية" للمستخدم والمنتج.
ولكن من المعروف أن كل من المستخدم والمنتج ، بالإضافة إلى "الكامنة" ، لهما أيضًا علامات واضحة. هذا هو الجنس والعمر ومتوسط إيصال الشراء والمنطقة ، إلخ.
دعنا نحاول إثراء نموذجنا بهذه البيانات.
للقيام بذلك ، نستخدم خوارزمية آلة التخصيم.
الشكل 4 خوارزمية تشغيل آلات التخصيممن تجربتنا ، في
Data4 ،
تعطي دراسات الحالة في مجال بناء أنظمة التوصية للمتاجر عبر الإنترنت ، وهي آلات المعالجة ، أفضل النتائج. لذلك ، استخدمنا آلات التخصيص لبناء نظام توصيات لعملائنا ، KupiVip. وكان النمو في متري RMSE 6-7 ٪.
لكن النهج القائمة على المصفوفة لها عيوبها. عدد الأنماط المعممة للجمع المتبادل للبضائع ليست كبيرة. لحل هذه المشكلة ، يُنصح باستخدام الشبكات العصبية. لكن الشبكة العصبية تتطلب كميات من البيانات لا تملكها سوى الشركات الكبيرة.
من تجربتنا ، في
Data4 ، عميل واحد فقط لديه شبكة عصبية لتوصيات المنتج الشخصية التي أعطت أفضل نتيجة. لكن مع النجاح ، يمكنك الحصول على ما يصل إلى 10٪ من قياس RMSE. تُستخدم الشبكات العصبية على YouTube وبعض أكبر مواقع المحتوى.
استخدام الحالات
للمحلات على الانترنت
- يوصي المنتجات ذات الصلة للمستخدم على صفحات متجر على الانترنت
- استخدم كتلة "قد تعجبك" في بطاقة المنتج
- في السلة نوصي السلع التكميلية (التحكم عن بعد للتلفزيون)
- إذا لم يكن المنتج في المخزون ، فاقترح تناظرية
- إنشاء رسائل إخبارية شخصية
للمحتوى
- زيادة المشاركة من خلال التوصية بالمقالات والأفلام والكتب ومقاطع الفيديو ذات الصلة
آخر
- يوصي الناس في المواعدة التطبيقات
- يوصي الأطباق في مطعم
في المقال ناقشنا أساسيات أنظمة توصية الجهاز ودراسات الحالة. لقد تعلمنا أن المبدأ الرئيسي هو التوصية بالمنتجات التي يتمتع بها الأشخاص ذوو الأذواق المتشابهة واستخدام خوارزمية التصفية التعاونية.
في المقالة التالية ، سيتم النظر في الخارقة للحياة من أنظمة التوصية على أساس الحالات التجارية الحقيقية. نعرض المقاييس التي يتم استخدامها بشكل أفضل وأي معامل قرب يتم اختياره للتنبؤ.