10 जीवन हैक्स विकासशील सिफारिश प्रणाली

पिछले लेख में, हमने सिस्टम की सिफारिश करने और मामलों का उपयोग करने की मूल बातें पर चर्चा की। हमने सीखा कि मुख्य सिद्धांत उन उत्पादों की सिफारिश करना है जो समान स्वाद वाले लोगों को पसंद करते हैं और सहयोगी फ़िल्टरिंग एल्गोरिदम लागू करते हैं।

इस लेख में, वास्तविक व्यावसायिक मामलों के आधार पर सिफारिश प्रणालियों के जीवन हैक पर विचार किया जाएगा। यह दिखाएगा कि भविष्यवाणी के लिए चुनने के लिए कौन से मैट्रिक्स का सबसे अच्छा उपयोग किया जाता है और निकटता की क्या डिग्री है।



मशीन लर्निंग एल्गोरिदम के प्रदर्शन का मूल्यांकन करने के लिए विभिन्न मैट्रिक्स का उपयोग करता है। लेकिन व्यापार में, मूल मीट्रिक समान है - समाधान के कार्यान्वयन में कितना पैसा आएगा। इसके आधार पर, हमारे मामलों में जो डेटा 4 टीम लागू करती है , हम प्रति उपयोगकर्ता कुल राजस्व बढ़ाने की कोशिश करते हैं।

राजस्व को अधिकतम करने के लिए, यह जानना उपयोगी है कि उपयोगकर्ता ने कौन से उत्पाद खरीदे हैं। लेकिन दुर्भाग्य से, अगर हम केवल खरीद डेटा पर उत्पाद वरीयताओं के मैट्रिक्स का निर्माण करते हैं, तो हमारा मैट्रिक्स विरल हो जाएगा, और गुणवत्ता खराब हो जाएगी।

Lifehack नंबर 1

चलो उत्पाद वरीयताओं के मैट्रिक्स में न केवल खरीदारी करते हैं, बल्कि मध्यवर्ती चरण भी: एक कार्ड पर क्लिक करना, टोकरी में जोड़ना, एक ऑर्डर देना।

हम प्रत्येक क्रिया के लिए एक भारांक गुणांक प्रदान करते हैं, और हमारा मैट्रिक्स अधिक "घना" हो जाएगा।

लेकिन सभी उत्पाद समान रूप से रूपांतरित नहीं होते हैं। कार्ड खोलने के बाद, कोई व्यक्ति माल के "आंतरिक" गुणों के कारण खरीदारी जारी नहीं रख सकता है। उदाहरण: लक्जरी आइटम अक्सर देखे जाते हैं, लेकिन बहुत कम खरीदे जाते हैं।

जीवन हैक नंबर 2

आइए फ़नल के प्रत्येक चरण के लिए सामानों के वितरण का निर्माण करें, और प्रत्येक चरण में सबसे कम रूपांतरण वाले उत्पादों के 5-10% के लिए सिफारिशों को हटा दें। मुख्य बात यह नहीं है कि "पानी से बच्चे को बाहर निकालना"। शेष सामान में "आंतरिक" गुण होंगे जो खरीद में हस्तक्षेप नहीं करते हैं। आंतरिक संपत्ति का एक उदाहरण कपड़े के आकार में उपलब्ध है। यदि उत्पाद अच्छा है, लेकिन केवल एक आकार का है, तो रूपांतरण कम होगा।

हमने माल निकाला, अब आइए देखें कि उपयोगकर्ता की "समानता" को कैसे मापें।

कॉज़ीन निकटता, कम से कम वर्गों और विदेशी विकल्पों के साथ समाप्त होने के साथ कई समानता मेट्रिक्स हैं।

लाइफहैक नंबर 3

ऑनलाइन स्टोर के लिए रिकमेंडर सिस्टम बनाने में डेटा 4 के अनुभव के आधार पर, डिस्चार्ज किए गए मैट्रिस के साथ काम चल रहा है। इस तरह के मैट्रिसेस के लिए, निकटता गुणांक - जैक्वार्ड का उपयोग करना सबसे अच्छा है। यह एल्गोरिदम के परिवर्तन से अधिक मैट्रिक्स में वृद्धि देता है।

Lifehack नंबर 4

तंत्रिका नेटवर्क का उपयोग करने से पहले, SVD और फ़ैक्टरीकरण मशीनों को आज़माएँ। यह काम करता है।



अंजीर। 1 कारक मशीनों के संचालन का सिद्धांत

लाइफहाक नंबर 5

छवि द्वारा समान उत्पादों को पहचानना मजेदार है, लेकिन व्यवहार-आधारित एसवीडी का उपयोग करना बेहतर है।

लाइफहाक नंबर 6

हम नए उपयोगकर्ताओं को लोकप्रिय उत्पादों की सलाह देते हैं (यह एक ठंड शुरू की समस्या कैसे दूर होती है), और नियमित उपयोगकर्ताओं के लिए - माल की लोकप्रियता के वितरण की लंबी पूंछ से। सिफारिशें अच्छी तरह से काम करती हैं जब वे उपयोगकर्ता के लिए उपयुक्त कम आवृत्ति वाले उत्पादों की सिफारिश करते हैं। यह टाइटैनिक फिल्म की सिफारिश करने के लिए कोई मतलब नहीं है, अगर उपयोगकर्ता इसे देखना चाहता था, तो वह पहले ही देख चुका था। लेकिन एक अल्पज्ञात फिल्म या उत्पाद उपयोगकर्ता को सुखद आश्चर्यचकित कर सकता है।

लाइफहाक नंबर 7

कई तरह की सिफारिशें करते हैं, कोई भी पेज नहीं खोलना चाहता है, 10 समान फर कोट या सिर्फ एक निर्देशक की फिल्में देखें। विभिन्न प्रकार की सामग्री से खरीदारी की संभावना बढ़ जाती है।

लाइफहाक नंबर 8

एक मीट्रिक चुनें जिसे आप समझते हैं कि यह कैसे काम करता है। एक सरल RMSE दें, लेकिन nDCG @ K (यह मीट्रिक उपयुक्त है), और एक यादृच्छिक परिणाम की तुलना में एक विश्वसनीय परिणाम है।

लाइफहाक नंबर 9

लोग सिफारिशों से नाराज हो सकते हैं, इसलिए महिलाओं को बड़े आकार के कपड़ों की सिफारिश नहीं करनी चाहिए यदि आप उनके आकार को नहीं जानते हैं।

लाइफहाक नंबर 10

केवल उपयोगकर्ताओं पर ए / बी परीक्षण आयोजित करना आपको बताएगा कि समाधान कैसे काम करता है। गुणवत्ता मैट्रिक्स - एक मध्यवर्ती परिणाम, ए / बी परीक्षण - पुष्टि, जो आपको निराश कर सकता है, लेकिन अक्सर प्रसन्न करता है।

वर्णित तकनीकों का उपयोग करते हुए, हमारी डेटा 4 टीम ने सिफारिश प्रणाली को लागू करने के कई मामलों को अंजाम दिया।

लेख में, हमने बात की कि अनुशंसा प्रणाली की गुणवत्ता में सुधार करने के लिए, आप 1) खाते को मध्यवर्ती उपयोगकर्ता क्रियाओं में ले सकते हैं 2) कम रूपांतरण वाले उत्पादों को हटा दें 3) विरल मैट्रिस के लिए जैक्वार्ड गुणांक का उपयोग करें 4 यदि आप Google 5 नहीं हैं तो SVD और फ़ैक्टरीकरण मशीनों का उपयोग करें। निकटता की खोज करते समय सावधान रहें। छवि के अनुसार, यदि बजट 6 सीमित है) लोकप्रियता के वितरण की पूंछ से पुराने उपयोगकर्ताओं को गैर-स्पष्ट उत्पादों की सिफारिश करें 7) विभिन्न उत्पादों की सिफारिश करें 8) सही गुणवत्ता वाले मैट्रिक्स का उपयोग करें वा 9) सिफारिशों वाले लोगों को अपमानित न करें 10) परिणाम को सत्यापित करने के लिए ए / बी परीक्षण का उपयोग करें।