सिफारिश प्रणालियों का परिचय

लेख व्यक्तिगत उत्पाद और सामग्री सिफारिशों और संभव उपयोग मामलों के निर्माण के दृष्टिकोण पर चर्चा करता है।

निजीकृत उत्पाद और सामग्री अनुशंसाओं का उपयोग रूपांतरण बढ़ाने, औसत जाँच और उपयोगकर्ता अनुभव को बेहतर बनाने के लिए किया जाता है।



दृष्टिकोण का उपयोग करने का एक उदाहरण अमेज़ॅन और नेटफ्लिक्स है। अमेज़ॅन ने अपने अस्तित्व के शुरुआती वर्षों में एक सहयोगी फ़िल्टरिंग दृष्टिकोण का उपयोग करना शुरू किया और एल्गोरिथम के माध्यम से केवल 10% से राजस्व वृद्धि हासिल की। नेटफ्लिक्स सिफारिश प्रणाली एल्गोरिथ्म पर आधारित दृष्टिकोण के कारण देखी गई सामग्री की मात्रा में 40% की वृद्धि करता है। अब, किसी ऐसी कंपनी का नाम लेना आसान है जो इस दृष्टिकोण का उपयोग नहीं करती है और इसका उपयोग करने वाले सभी लोगों को सूचीबद्ध करना है।

नेटफ्लिक्स में इस तकनीक से जुड़ी एक आकर्षक कहानी है। 2006-2009 में (कागले एमएल प्रतियोगिता स्थल लोकप्रिय होने से पहले भी), नेटफ्लिक्स ने एल्गोरिथ्म को $ 1,000,000 के पुरस्कार पूल के साथ बेहतर बनाने के लिए एक खुली प्रतियोगिता की घोषणा की। प्रतियोगिता 2 साल तक चली और कई हजार डेवलपर्स और वैज्ञानिकों ने इसमें भाग लिया। यदि नेटफ्लिक्स ने उन्हें राज्य में काम पर रखा है, तो लागतें प्रस्तावित पुरस्कार से कई गुना अधिक होंगी। परिणामस्वरूप, टीमों में से एक ने दूसरी टीम की तुलना में 2 घंटे पहले आवश्यक गुणवत्ता के साथ एक समाधान भेजकर विजेता का परिणाम दोहराया। नतीजतन, पैसा एक त्वरित टीम में चला गया। यह प्रतियोगिता व्यक्तिगत अनुशंसाओं के क्षेत्र में गुणात्मक परिवर्तनों के लिए एक उत्प्रेरक बन गई है।

सिफारिश करने वाले सिस्टम के निर्माण की समस्या को हल करने का मुख्य तरीका सहयोगी फ़िल्टरिंग है।

सहयोगी फ़िल्टरिंग का विचार सरल है - यदि कोई उपयोगकर्ता किसी उत्पाद या देखी गई सामग्री की खरीदारी करता है, तो हम उपयोगकर्ताओं को समान स्वाद के साथ पाएंगे, और हमारे ग्राहक को सुझाव देंगे कि लोग उसे पसंद करते हैं, लेकिन ग्राहक ने ऐसा नहीं किया। यह एक उपयोगकर्ता-आधारित दृष्टिकोण है।



चित्र 1 - उत्पाद वरीयता मैट्रिक्स

इसी तरह, आप सामान के दृष्टिकोण से समस्या को देख सकते हैं, और ग्राहक की टोकरी में पूरक सामान उठा सकते हैं, औसत चेक बढ़ा सकते हैं या सामान की जगह ले सकते हैं जो एनालॉग द्वारा स्टॉक में नहीं हैं। यह एक आइटम-आधारित दृष्टिकोण है।

सबसे सरल मामले में, निकटतम पड़ोसियों को खोजने के लिए एल्गोरिथ्म का उपयोग किया जाता है।
उदाहरण: यदि मारिया को फिल्म "टाइटैनिक" और "स्टार वार्स" पसंद हैं, तो उनके स्वाद के सबसे करीबी उपयोगकर्ता अन्या होंगे, जिन्होंने इन फिल्मों के अलावा "हचिको" भी देखी। चलो मारिया को "हचिको" फिल्म की सलाह देते हैं। यह स्पष्ट करने योग्य है कि आमतौर पर वे परिणामों के औसत के साथ एक निकटतम पड़ोसी का उपयोग नहीं करते हैं, लेकिन कई।



अंजीर। 2 निकटतम पड़ोसियों के एल्गोरिथ्म के संचालन का सिद्धांत

सब कुछ सरल लगता है, लेकिन इस दृष्टिकोण का उपयोग करते हुए सिफारिशों की गुणवत्ता छोटी है।

मैट्रिसेस की संपत्ति के आधार पर सिफारिश प्रणालियों के जटिल एल्गोरिदम पर विचार करें, या बल्कि मैट्रिस के अपघटन पर।

क्लासिक एल्गोरिथ्म SVD (एकवचन मैट्रिक्स अपघटन) है।
एल्गोरिथ्म का अर्थ यह है कि उत्पाद वरीयताओं का मैट्रिक्स (मैट्रिक्स जहां पंक्तियां उपयोगकर्ता हैं और स्तंभ वे उत्पाद हैं जिनके साथ उपयोगकर्ताओं ने बातचीत की) को तीन मैट्रिक्स के उत्पाद के रूप में दर्शाया गया है।


अंजीर। 3 एसवीडी एल्गोरिथ्म

मूल मैट्रिक्स को पुनर्स्थापित करने के बाद, सेल जहां उपयोगकर्ता के पास शून्य और "बड़ी" संख्याएं थीं, उत्पाद में अव्यक्त ब्याज की डिग्री दिखाते हैं। इन नंबरों को व्यवस्थित करें, और उपयोगकर्ता के लिए प्रासंगिक उत्पादों की एक सूची प्राप्त करें।

इस ऑपरेशन के दौरान, उपयोगकर्ता और उत्पाद "अव्यक्त" संकेत दिखाई देते हैं। ये उपयोगकर्ता और उत्पाद की "छिपी हुई" स्थिति को दर्शाने वाले संकेत हैं।

लेकिन यह ज्ञात है कि उपयोगकर्ता और उत्पाद, दोनों के अलावा, "अव्यक्त" भी स्पष्ट संकेत हैं। यह लिंग, आयु, औसत खरीद रसीद, क्षेत्र, आदि है।

आइए इस डेटा के साथ अपने मॉडल को समृद्ध करने का प्रयास करें।
ऐसा करने के लिए, हम कारक मशीन एल्गोरिथ्म का उपयोग करते हैं।



अंजीर। 4 कारक मशीनों के संचालन के एल्गोरिथ्म

हमारे अनुभव से, Data4 में , ऑनलाइन स्टोर के लिए सिफारिश प्रणाली के निर्माण के क्षेत्र में केस स्टडीज, अर्थात् कारककरण मशीन, सबसे अच्छा परिणाम देते हैं। इसलिए, हमने अपने ग्राहक, कुपीवीप के लिए एक सिफारिश प्रणाली का निर्माण करने के लिए कारक मशीनों का उपयोग किया। RMSE मीट्रिक में वृद्धि 6-7% थी।

लेकिन मैट्रिक्स-आधारित दृष्टिकोणों में उनकी कमियां हैं। माल के आपसी संयोजन के सामान्यीकृत पैटर्न की संख्या बड़ी नहीं है। इस समस्या को हल करने के लिए, तंत्रिका नेटवर्क का उपयोग करना उचित है। लेकिन एक तंत्रिका नेटवर्क को डेटा की मात्रा की आवश्यकता होती है जो केवल बड़ी कंपनियों के पास होती है।

हमारे अनुभव से, Data4 पर , केवल एक ग्राहक के पास व्यक्तिगत उत्पाद सिफारिशों के लिए एक तंत्रिका नेटवर्क है जिसने सबसे अच्छा परिणाम दिया। लेकिन, सफलता के साथ, आप आरएमएसई मीट्रिक के 10% तक प्राप्त कर सकते हैं। YouTube और कुछ सबसे बड़ी सामग्री साइटों पर तंत्रिका नेटवर्क का उपयोग किया जाता है।

मामलों का उपयोग करें

ऑनलाइन स्टोर के लिए

1. ऑनलाइन स्टोर के पृष्ठों पर उपयोगकर्ता के लिए प्रासंगिक उत्पादों की सिफारिश करें
2. उत्पाद कार्ड में "आपको पसंद हो सकता है" ब्लॉक का उपयोग करें
3. टोकरी में पूरक सामान (टीवी के लिए रिमोट कंट्रोल) की सिफारिश करें
4. यदि उत्पाद स्टॉक में नहीं है, तो एक एनालॉग की सिफारिश करें
5. वैयक्तिकृत समाचारपत्रिकाएँ बनाएँ

सामग्री के लिए

1. प्रासंगिक लेखों, फिल्मों, पुस्तकों, वीडियो की सिफारिश करके सगाई बढ़ाएं

अन्य

1. डेटिंग ऐप्स में लोगों की सलाह लें
2. एक रेस्तरां में व्यंजन की सलाह देते हैं

लेख में हमने डिवाइस अनुशंसा प्रणालियों और मामले के अध्ययन की मूल बातें पर चर्चा की। हमने सीखा कि मुख्य सिद्धांत उन उत्पादों की सिफारिश करना है जो समान स्वाद वाले लोग जैसे और सहयोगी फ़िल्टरिंग एल्गोरिदम का उपयोग करते हैं।

अगले लेख में , वास्तविक व्यावसायिक मामलों के आधार पर सिफारिश प्रणालियों के जीवन हैक पर विचार किया जाएगा। हम बताते हैं कि भविष्यवाणी के लिए चुनने के लिए कौन से मैट्रिक्स का उपयोग किया जाता है और कौन सा निकटता गुणांक है।