introduzione
In questo blog, Discuterò varie cose sul sistema di raccomandazione, come qual è il sistema di raccomandazione?? Quali sono i tuoi casi d'uso? Quanti tipi di sistemi di raccomandazione e metriche vengono utilizzati per questo.
Nella foto sopra da Amazon, potresti aver visto questa pagina molte volte quando cercavi di acquistare qualcosa su Amazon. Queste sono le raccomandazioni del prodotto che stai cercando di acquistare e sarai sorpreso di sapere che il 35% delle entrate di Amazon proviene da questi motori di raccomandazione. Ora potresti aver notato la potenza del motore di raccomandazione. Attualmente, tutte le piccole e grandi aziende utilizzano un motore di raccomandazione. Quindi ora fammi discutere di questo.
Qual è il sistema di raccomandazione?
Un sistema di raccomandazione è una sottoclasse di sistemi di filtraggio delle informazioni che cerca di prevedere la valutazione o la preferenza che un utente potrebbe dare a un post. In parole semplici, è un algoritmo che suggerisce elementi rilevanti per gli utenti. Come esempio: nel caso di Netflix, che film guardare, nel caso del commercio elettronico, che prodotto comprare, o nel caso di kindle, che libro leggere, eccetera.
Casi d'uso del sistema di raccomandazione
Ci sono molti casi d'uso. Alcuni sono
UN. Contenuti personalizzati: Aiuta a migliorare l'esperienza del sito creando consigli dinamici per diversi tipi di pubblico come fa Netflix.
B. Migliore esperienza di ricerca del prodotto: Aiuta a classificare il prodotto in base alle sue caratteristiche. Come esempio: Materiale, stagione, eccetera.
TIPI DI SISTEMA DI RACCOMANDAZIONE
1. Filtraggio basato sul contenuto
In questo tipo di sistema di raccomandazione, gli elementi rilevanti vengono visualizzati utilizzando il contenuto degli elementi precedentemente cercati dagli utenti. Qui il contenuto si riferisce all'attributo / etichetta del prodotto che piace all'utente. In questo tipo di sistema, i prodotti sono taggati utilizzando determinate parole chiave, posteriormente el sistema intenta comprender lo que quiere el usuario y busca en su Banca datiUn database è un insieme organizzato di informazioni che consente di archiviare, Gestisci e recupera i dati in modo efficiente. Utilizzato in varie applicazioni, Dai sistemi aziendali alle piattaforme online, I database possono essere relazionali o non relazionali. Una progettazione corretta è fondamentale per ottimizzare le prestazioni e garantire l'integrità delle informazioni, facilitando così il processo decisionale informato in diversi contesti.... y por último intenta recomendar diferentes productos que el usuario desea.
Facciamo un esempio del sistema di raccomandazione dei film in cui ogni film è correlato ai suoi generi, quella che nel caso precedente si chiama etichetta / attributi. Supponiamo ora che arrivi l'utente A e inizialmente il sistema non disponga di dati sull'utente A. quindi inizialmente, il sistema cerca di consigliare film popolari agli utenti o il sistema cerca di ottenere informazioni dall'utente ottenendo un modulo compilato dall'utente. Dopo un po, gli utenti potrebbero aver dato una valutazione ad alcuni dei film, dato che dà un buon voto ai film basati sul genere d'azione e uno scarso ai film basati sul genere anime. Pertanto qui il sistema consiglia i film d'azione agli utenti. Ma qui non si può dire che all'utente non piacciano i film di animazione perché forse all'utente non piace quel film a causa di qualche altro motivo come recitazione o storia, ma in realtà ti piacciono i film di animazione e hai bisogno di più dati in questa circostanza.
Vantaggio
- Il modello non necessita di dati di altri utenti poiché le raccomandazioni sono specifiche per un singolo utente.
- Semplifica la scalabilità per un gran numero di utenti.
- Il modello può catturare gli interessi specifici dell'utente e può consigliare elementi a cui pochi utenti sono interessati..
Svantaggio
- La rappresentazione delle caratteristiche dell'oggetto è progettata in una certa misura a mano, questa tecnologia richiede molta conoscenza del dominio.
- Il modello può solo formulare raccomandazioni basate sull'interesse esistente di un utente. In altre parole, il modello ha una capacità limitata di espandere gli interessi esistenti dell'utente.
2. Filtraggio basato sulla collaborazione
Consigliare nuovi articoli agli utenti in base all'interesse e alle preferenze di altri utenti simili è semplicemente un filtro basato sulla collaborazione. Come esempio: – Quando acquistiamo da Amazon, consiglia nuovi prodotti che dicono “Il cliente che ha portato questo ha portato anche” Come mostrato di seguito.
Questo supera il lato negativo del filtraggio basato sui contenuti, poiché utilizzerà l'interazione utente invece del contenuto degli elementi utilizzati dagli utenti. Per questo, hai solo bisogno della performance storica degli utenti. Basato su dati storici, presupponendo che l'utente che ha acconsentito in passato tenda ad acconsentire anche in futuro.
Ci sono 2 tipi di filtraggio collaborativo: –
UN. Filtraggio collaborativo basato sull'utente
La valutazione del post viene eseguita utilizzando la valutazione degli utenti vicini. Brevemente, si basa sulla nozione di somiglianza degli utenti.
Vediamo un esempio. Sul lato sinistro, puoi vedere una foto dove 3 bambini di nome A, B, C y 4 frutta, In altre parole, uva, fragola, anguria e arancia, rispettivamente.
In base all'immagine, Supponiamo che A abbia acquistato il 4 frutta, B ha comprato solo fragola e C ha comprato fragola e anguria. qui A & C sono tipi di utenti simili perché C Uva e Arancia saranno consigliati come mostrato sulla linea tratteggiata.
B. Filtraggio collaborativo in base agli elementi
La valutazione dell'articolo è prevista utilizzando la valutazione dell'utente sugli articoli vicini. In parole semplici, si basa sulla nozione di somiglianza dell'oggetto.
Vediamo con un esempio come detto in precedenza su utenti e oggetti. Qui l'unica differenza è che vediamo post simili, nessun utente simile, come se vedessi uva e cocomero, ti accorgerai che l'anguria la comprano tutti, ma l'uva è comprata dai Figli A e B. Perché, I bambini C sono uve consigliate.
Ora, dopo aver capito entrambi, potresti chiederti quale usare e quando. Questa è la risposta se il numero di elementi è maggiore del numero di utenti si opta per il filtro collaborativo in base all'utente, poiché ridurrà la potenza di calcolo e se il numero di utenti è maggiore del numero di elementi, scegli il filtro collaborativo basato sugli elementi. . Come esempio, Amazon ha centinaia di milioni di post sul mercato, ma ha centinaia di milioni di clienti. Perché, Amazon utilizza il filtro collaborativo basato sugli articoli a causa di meno no. di prodotti rispetto ai tuoi clienti.
Vantaggio
- Funziona bene anche se i dati sono piccoli.
- Questo modello aiuta gli utenti a scoprire un nuovo interesse per un determinato post., ma è possibile che il modello lo consigli ancora perché utenti simili sono interessati a quel post.
- Non è necessaria la conoscenza del dominio
Svantaggio
- Non può gestire nuovi elementi perché il modello non si addestra sugli elementi appena aggiunti nel database. Questo problema è noto come problema di avvio a freddo..
- Caratteristica secondaria Poco rilevante. Qui, caratteristiche secondarie possono essere il nome dell'attore o l'anno di uscita nel contesto della raccomandazione del film.
METRICHE DI VALUTAZIONE
Come abbiamo discusso i diversi tipi di sistemi di raccomandazione, i suoi vantaggi e svantaggi, ma come possiamo esaminare se il modello dato sta raccomandando le cose giuste o meno e quante cose rilevanti prevede questo sistema e qui arrivano le metriche di valutazione. Ci sono diverse metriche per esaminare il modello, ma qui parleremo 4 metriche principali.
1. Media Precisione media in K
Indica quanto è rilevante l'elenco degli articoli consigliati. Qui la precisione in K indica gli elementi consigliati nei principali k insiemi che sono rilevanti..
2. Copertura
Es el porcentaje de ítems en el modelo de datos de addestramentoLa formazione è un processo sistematico volto a migliorare le competenze, conoscenze o abilità fisiche. Viene applicato in vari ambiti, come lo sport, Formazione e sviluppo professionale. Un programma di allenamento efficace include la pianificazione degli obiettivi, Pratica regolare e valutazione dei progressi. L'adattamento alle esigenze individuali e la motivazione sono fattori chiave per ottenere risultati di successo e sostenibili in qualsiasi disciplina.... que se pueden recomendar en conjuntos de prueba. O semplicemente, la percentuale di un sistema di raccomandazione fattibile può prevedere.
3. Personalizzazione
Semplicemente, si tratta di quanti degli stessi articoli il modello consiglia a utenti diversi. O la differenza tra elenchi di utenti e consigli.
4. Somiglianza intralist
È una somiglianza del coseno medio di tutti gli elementi in un elenco di raccomandazioni.
CONCLUSIONE
Questo blog ha trattato molti argomenti relativi ai motori di raccomandazione come cosa sono e i loro casi d'uso. A parte questo, diversi tipi di sistemi di raccomandazione come il filtro basato sul contenuto e il filtro basato sulla collaborazione e il filtro collaborativo, nonché basato sull'utente e basato sull'elemento insieme ai loro esempi, vantaggi e svantaggi, e infine le metriche di valutazione per esaminare il modello.
Il supporto mostrato in questo post non è di proprietà di DataPeaker e viene utilizzato a discrezione dell'autore.
