在
上一篇文章中，我们讨论了推荐系统和用例的基础。 我们了解到，主要原则是推荐具有相似品味的人喜欢的产品并应用协作过滤算法。
在本文中，将考虑基于实际业务案例的推荐系统的生活技巧。 它将显示最适合使用哪些度量标准以及为预测选择哪种接近程度。
机器学习使用各种指标来评估算法的性能。 但是在业务中，基本指标是相同的-解决方案的实施将带来多少资金。 基于此，在
Data4团队
实施的情况下 ，我们尝试增加每位用户的总收入。
为了使收入最大化，了解用户购买了哪些产品很有用。 但是不幸的是，如果我们仅基于购买数据建立产品偏好矩阵，那么我们的矩阵将变得稀疏，质量将受到损害。
Lifehack 1号
让我们在产品偏好矩阵中不仅使用购买，还使用中间步骤：单击卡片，添加到购物篮中，下订单。
我们为每个动作分配一个加权系数，我们的矩阵将变得更“密集”。
但是，并非所有产品都可以平等地转换。 打开卡后，由于商品的“内部”属性，人们可能无法继续购买。 示例：经常看到奢侈品，但很少购买。
生活技巧2
让我们为渠道的每个阶段建立商品分配，并从建议中删除每个阶段转化率最低的产品的5-10％。 最主要的是不要“用水泼婴儿”。 其余商品将具有“内部”属性，不会干扰购买。 内部属性的一个示例是可用的衣服尺码。 如果产品好，但只有一种尺寸，则转换率会很低。
我们找出了商品，现在让我们看一下如何衡量用户的“相似性”。
有许多相似性指标，从余弦接近度，最小二乘开始，到以奇异选项结束。
Lifehack 3号
根据
Data4在构建在线商店推荐系统中的经验，正在处理排出的矩阵。 对于此类矩阵，最好使用接近系数-提花。 与改变算法相比，这增加了度量标准。
Lifehack 4号
在使用神经网络之前，请尝试使用SVD和分解机。 可以用
图1分解机的工作原理
Lifehack 5号
通过图像识别相似产品很有趣，但是使用基于行为的SVD的质量更好。
Lifehack 6号
我们向新用户推荐流行产品（这是解决冷启动问题的方法），并从商品受欢迎程度的长尾巴向常规用户推荐流行产品。 当推荐适合用户的低频产品时，建议会很好地起作用。 推荐《泰坦尼克号》电影没有任何意义，如果用户想观看它，他已经看过了。 但是鲜为人知的电影或产品可以使用户感到惊喜。
Lifehack 7号
提出各种建议，没有人愿意打开页面，看到10相同的皮大衣，或只看一个导演的电影。 各种内容会增加购买的可能性。
Lifehack 8号
选择一个您了解其工作原理的指标。 让我们做一个简单的RMSE，但比nDCG @ K（此度量标准合适）可靠的结果，以及一个随机结果。
Lifehack 9号
建议可能会激怒人们，因此如果您不知道她们的尺码，则女性不应建议穿大尺寸的衣服。
Lifehack 10号
仅对用户进行A / B测试会告诉您该解决方案的工作方式。 质量指标-中间结果，A / B测试-确认，这可能会让您失望，但通常会令您满意。
使用描述的技术，我们的
Data4团队进行了几种实施推荐系统的案例。
在本文中，我们谈到要提高推荐系统的质量，您可以1）考虑中间用户的操作2）消除低转化率的产品3）对稀疏矩阵使用提花系数4）如果您不是Google则使用SVD和因式分解机5）搜索邻近度时要小心根据图片，如果预算有限6）从流行程度的尾部向老用户推荐非显而易见的产品7）建议各种产品8）使用正确的质量指标 wa 9）不要冒犯建议的人10）使用A / B测试来验证结果。