In einem
früheren Artikel haben wir die Grundlagen der Empfehlung von Systemen und Anwendungsfällen erörtert. Wir haben gelernt, dass das Hauptprinzip darin besteht, Produkte mit einem ähnlichen Geschmack zu empfehlen und den kollaborativen Filteralgorithmus anzuwenden.
In diesem Artikel werden Life-Hacks von Empfehlungssystemen basierend auf realen Geschäftsfällen betrachtet. Es wird angezeigt, welche Metriken am besten verwendet werden und welcher Grad an Nähe für die Vorhersage gewählt werden kann.
Beim maschinellen Lernen werden verschiedene Metriken verwendet, um die Leistung von Algorithmen zu bewerten. Im Geschäftsleben ist die grundlegende Metrik dieselbe - wie viel Geld die Implementierung der Lösung bringen wird. Auf dieser
Grundlage versuchen wir in unseren Fällen, die das
Data4- Team
implementiert , den Gesamtumsatz pro Benutzer zu steigern.
Um den Umsatz zu maximieren, ist es hilfreich zu wissen, welche Produkte der Benutzer gekauft hat. Wenn wir die Matrix der Produktpräferenzen jedoch nur auf Kaufdaten aufbauen, wird unsere Matrix spärlich ausfallen und die Qualität wird darunter leiden.
Lifehack Nummer 1
Verwenden wir in der Matrix der Produktpräferenzen nicht nur Einkäufe, sondern auch Zwischenschritte: Klicken auf eine Karte, Hinzufügen zum Warenkorb, Bestellen.
Wir weisen jeder Aktion einen Gewichtungskoeffizienten zu, und unsere Matrix wird sich als "dichter" herausstellen.
Aber nicht alle Produkte sind gleichermaßen umsetzbar. Nach dem Öffnen der Karte darf eine Person den Kauf aufgrund der „internen“ Eigenschaften der Ware nicht fortsetzen. Beispiel: Luxusartikel werden oft angeschaut, aber wenig gekauft.
Life Hack Nummer 2
Bauen wir die Warenverteilung für jede Stufe des Trichters auf und entfernen Sie aus den Empfehlungen 5-10% der Produkte mit der niedrigsten Konversion in jeder Stufe. Die Hauptsache ist, das Baby nicht mit Wasser zu bespritzen. Die verbleibenden Waren haben „interne“ Eigenschaften, die den Kauf nicht beeinträchtigen. Ein Beispiel für eine interne Eigenschaft sind die verfügbaren Konfektionsgrößen. Wenn das Produkt gut ist, aber nur eine Größe hat, ist der Umsatz gering.
Wir haben die Ware herausgefunden, und nun schauen wir uns an, wie man die "Ähnlichkeit" des Benutzers misst.
Es gibt viele Ähnlichkeitsmetriken, beginnend mit der Kosinusnähe, den kleinsten Quadraten und endend mit exotischen Optionen.
Lifehack Nummer 3
Basierend auf den Erfahrungen von
Data4 beim Bau von Empfehlungssystemen für Online-Shops wird
derzeit an entladenen Matrizen gearbeitet. Für solche Matrizen wird am besten der Näherungskoeffizient Jacquard verwendet. Dies führt zu mehr Metriken als zu einer Änderung der Algorithmen.
Lifehack Nummer 4
Probieren Sie SVD- und Faktorisierungsmaschinen aus, bevor Sie neuronale Netze verwenden. Es funktioniert
Abb. 1 Funktionsprinzip von Faktorisierungsmaschinen
Lifehack Nummer 5
Das Erkennen ähnlicher Produkte anhand von Bildern macht Spaß, aber die Qualität mit verhaltensbasierten SVDs ist besser.
Lifehack Nummer 6
Wir empfehlen beliebte Produkte sowohl neuen Anwendern (so wird das Problem des Kaltstarts gelöst) als auch regulären Anwendern - vom langen Ende der Verbreitung der Popularität von Waren. Empfehlungen funktionieren gut, wenn sie für den Benutzer geeignete Niederfrequenzprodukte empfehlen. Es macht keinen Sinn, den Titanic-Film zu empfehlen, wenn der Benutzer ihn sehen wollte, hat er ihn bereits gesehen. Aber ein wenig bekannter Film oder Produkt kann den Benutzer angenehm überraschen.
Lifehack Nummer 7
Machen Sie eine Vielzahl von Empfehlungen, niemand möchte die Seite öffnen, 10 identische Pelzmäntel sehen oder nur Filme von einem Regisseur. Eine Vielzahl von Inhalten erhöht die Wahrscheinlichkeit eines Kaufs.
Lifehack Nummer 8
Wählen Sie eine Metrik, die Sie verstehen, wie es funktioniert. Es sei ein einfacher RMSE, aber ein zuverlässiges Ergebnis als nDCG @ K (diese Metrik ist geeignet) und ein zufälliges Ergebnis.
Lifehack Nummer 9
Menschen können von den Empfehlungen beleidigt sein, daher sollten Frauen keine großen Kleidungsgrößen empfehlen, wenn Sie ihre Größe nicht kennen.
Lifehack Nummer 10
Nur wenn Sie einen A / B-Test für Benutzer durchführen, erfahren Sie, wie die Lösung funktioniert. Qualitätsmetriken - ein Zwischenergebnis, A / B-Test - Bestätigung, die Sie enttäuschen kann, aber oft gefällt.
Unter Verwendung der beschriebenen Techniken führte unser
Data4- Team mehrere Fälle der Implementierung von Empfehlungssystemen durch.
In dem Artikel haben wir darüber gesprochen, dass Sie zur Verbesserung der Qualität des Empfehlungssystems 1) Zwischenaktionen des Benutzers berücksichtigen können 2) Produkte mit geringer Konversion eliminieren 3) Den Jacquard-Koeffizienten für dünne Matrizen verwenden 4) SVD- und Faktorisierungsmaschinen verwenden, wenn Sie nicht Google sind 5) Bei der Suche nach Nähe vorsichtig sein Laut dem Bild, wenn das Budget begrenzt ist 6) Empfehlen Sie nicht offensichtliche Produkte zu alten Benutzern aus dem Schweif der Verbreitung der Popularität 7) Empfehlen Sie verschiedene Produkte 8) Verwenden Sie die richtigen Qualitätsmetriken wa 9) Beleidigen Sie keine Personen mit Empfehlungen. 10) Verwenden Sie den A / B-Test, um das Ergebnis zu überprüfen.