„Holiday“ parduotuvių parduotuvė „Smart“ su „Amazon“ rekomendacijos varikliu
Kalėdų metu daugelis iš mūsų stengiasi rinktis tinkamiausią dovaną mūsų artimiesiems. Kalėdų dovanų medžioklei gali prireikti dienų planavimo, kartais savaitės. Be tam tikros įdomios ir džiaugsmingos dalies, Kalėdų apsipirkimas gali būti daug laiko ir streso patirties.
Laimei, pažangių technologijų amžiuje yra laisvai prieinamų įrankių, galinčių padaryti pirkimų procesą daug efektyvesnį ir našesnį. Šiame pranešime jums parodysiu, kaip vienas iš didžiausių pasaulyje mažmeninės prekybos vietų „Amazon.com“ gali jums padėti rasti geriausias dovanas jūsų draugams ir šeimai per pagrįstą laikotarpį naudodamiesi protingu rekomendaciniu varikliu.
Asmeninė naudotojo patirtis
Pasaulyje sėkmingiausios svetainės, pvz., „Amazon“, „Facebook“ ir „YouTube“, yra tokios populiarios, nes jie visiems siūlo asmeninę vartotojo patirtį.
Vartotojų patirties pritaikymas iš esmės reiškia, kad įmonės stebėti jų naudotojus, kol jie naršote po savo svetainę ir atlieka skirtingus veiksmus ant jo. Jie renka duomenis į tvarkingas duomenų bazes ir analizuoja.
Ar tai nėra žalinga privatumui? Tam tikru požiūriu taip yra; šios bendrovės gali daugiau sužinoti apie mus nei mūsų artimiausi draugai ar net patys. Iš kitos pusės, jie siūlo mums paslaugą, kuri palengvintų mūsų gyvenimą, ir mūsų sprendimai geriau informuoti.
Jei žvelgiame į jį iš sandorio, „mokame“ už didesnę naudotojų patirtį ir patogumą, dalį mūsų privatumo.
Žinoma, teisinės kovos tarp internetinių turinio teikėjų ir valdžios institucijų yra pastovios, tiesiog pagalvokite apie ne taip mėgstamą ES slapukų įstatymą, tačiau, kadangi atsisakymas vis mažiau ir mažiau realus variantas tiems, kurie nori mėgautis XXI a. naudinga suprasti, kaip individualizuotos rekomendacijos veikia užkulisiuose.
„Tech Behind Amazon“ rekomendacijos
Naršydami per „Amazon“ svetainę mes galime rasti asmenines rekomendacijas visur pagal tokias antraštes “Naujas Jums”, “Rekomendacijos jums pakurti parduotuvėje”, “Rekomenduojamos rekomendacijos”, “Pirkėjai, įsigiję šį daiktą, taip pat pirko”, ir daugelis kitų.
Rekomendacijos buvo pateiktos integruota į kiekvieną dalį pirkimo procesą produkto peržiūra prie kasos. Pritaikytos rekomendacijos yra sukurtos pagal protingą rekomendacijos variklį, kuris geriau ir geriau supranta vartotojus, kai jie naudojasi svetaine.
Norint geriau suprasti rekomendavimo sistemas, gerai galvoti apie juos kaip pažangios paieškos sistemų versijos. Kai mes ieškome „Amazon“ elemento, jis ne tik grąžina rezultatus, bet taip pat daro prognozes apie galimus produktus, ir parodo mūsų rekomendacijas.
Rekomendacinės sistemos naudoja skirtingus mašinų mokymosi algoritmus, ir jie tapo komerciškai įgyvendinami, plėtojant didelių duomenų technologijas. Rekomendacijos varikliai yra duomenų valdomi produktai, kaip jie turi rasti svarbiausią mažą duomenų rinkinį didžiuliuose didelių duomenų vandenynuose.
Kompiuterinė užduotis, kurią rekomenduoja sistemos, turi būti derinama su nuspėjamoji analizė ir filtravimas
Jie naudoja vieną iš šių būdų:
(1) Bendras filtravimas, kuris ieško panašumų tarp bendradarbiavimo duomenys pvz., pirkimai, įvertinimai, mėgstami, vertinimai, atsiskaitymai:
- arba vartotojo vartotojo matrica, kur pateikiamos rekomendacijos, pagrįstos kitų klientų, kurie patiko, įsigijo, įvertino ir pan,
- arba produkto produkto matrica, kai rekomendacijos variklis grąžina produktus, kurie yra panašūs perkant, mėgstant, įvertinant ir pan., su produktais, kuriuos dabartinis vartotojas įsigijo, įvertino, patiko, papildė anksčiau
„Amazon“ naudoja pastarąjį, nes jis yra labiau pažengęs (išsamiau žr. Kitą skyrių).
(2) Filtravimas pagal turinį, kuri daro prognozes, pagrįstas objektyvių produktų charakteristikų panašumais, pvz., specifika, aprašymai, autoriai, taip pat ankstesnėmis naudotojo nuostatomis (tai nėra lyginama su kitų naudotojų nuostatomis).
(3) Hibridinis filtravimas, kuris naudoja tam tikrą bendradarbiavimo ir turinio filtravimo derinį.
Produkto produkto matrica
Tradicinis bendravimo filtravimo būdas naudoja vartotojo naudotojo matricą ir virš tam tikro duomenų kiekio jis turi rimtų našumo problemų.
Kad atitiktų visų naudotojų nuostatas, reitingus, pirkimus ir rasti tuos, kurie yra arčiausiai aktyvaus naudotojo, rekomenduojama variklio analizė kiekvienas vartotojas duomenų bazėje ir suderinti juos su dabartiniu.
Jei galvojame apie „Amazon“ dydį, aišku, kad toks filtravimas jiems neįmanomas, todėl „Amazon“ inžinieriai sukūrė patobulintą ankstesnio metodo versiją ir pavadino jį elementų filtravimas.
Išlaikomas elementų ir elementų filtravimas bendradarbiavimo sėkmė vietoj objektyvių produkto savybių (žr. aukščiau pateiktą turinio filtravimą), bet atlieka užklausas produkto produkto matricoje, o tai reiškia, kad jis nepalygina vartotojų, o lygina produktus.
Rekomendacijos variklis peržiūri produktus, kuriuos įsigijome, įvertinome, įdėjome į mūsų pageidavimų sąrašą, pakomentavome ir pan., Tada ieškome kitų duomenų bazėje esančių elementų, kurie turi panašius tarifus ir pirkimus, juos apibendrina, tada grąžina geriausios rungtynės kaip rekomendacijos.
Kaip gauti geresnes rekomendacijas
Atgal į Kalėdų apsipirkimą galima mokyti „Amazon“ rekomendacijos variklį, kad gautumėte geresnių rezultatų. Jei turite tik neaiškią idėją apie tai, ką nusipirkti mylimam žmogui, jums nereikia daryti nieko kito, išskyrus paliekant pėdsakus svetainėje naršydami.
Dėl šio pranešimo aš pats bandžiau.
Mano pradinis taškas buvo tas, kad norėjau rasti mažesnių biuro baldų, bet tai nežinojau. Taigi į paieškos juostą įvedžiau kai kuriuos susijusius raktinius žodžius ir pradėjau naršyti rezultatus. Įdėjus elementus, kuriuos man patiko, į mano pageidavimų sąrašą, įvertinome kai kurias apžvalgas “Naudinga”, į mano krepšį nukrito kai kurie biuro baldai.
Jei aš kada nors nusipirkau panašų elementą „Amazon“, tai būtų buvę naudinga parašyti apžvalgą, bet iš tikrųjų negalėjau to padaryti (galite tik parašyti atsiliepimus apie jau įsigytus produktus).
Po maždaug 10-15 minučių aš sustojau ir spustelėjau savo rekomendacijų puslapius (kuriuos galima rasti „ “[Jūsų vardas] Amazon” meniu taškas). Prieš eksperimentą turėjau knygų tik šiame puslapyje, nes paprastai tai aš nusipirkau „Amazon“. Po išsamios paieškos, knygos išnyko ir pakeistos vėsiomis biuro baldais, kaip matote žemiau.
Variklio sukrėtimas
Galima toliau mokyti rekomendacinį variklį, kaip nurodyta kiekvienoje rekomendacijoje ten yra “Kodėl rekomenduojama?” nuorodą. Tarp mano rekomendacijų galite matyti dėžutės liniją (paskutinį elementą), kuris nėra biuro baldų gaminys, o aš nenoriu pirkti Kalėdoms.
Taigi pažiūrėkime, kodėl tai čia.
Paspaudus nuorodą, „Amazon“ informuoja mane, kad buvo rekomenduojama, nes į krepšį įdėjau tam tikrą biuro kėdę. Na, tai įdomus ryšys, bet aš vis dar to nereikia.
Čia turiu dvi galimybes, galiu pažymėti “Nesudomintas” žymimasis laukelis šalia dėžutės linijos arba “Nenaudokite rekomendacijų” šalia biuro kėdės. Aš pažymiu “Nesudomintas” žymimasis langelis.
Ir šiuo metu dėžutės linijinė danga išnyko, pakeičiama kitu rekomenduojamu produktu, o tai reiškia, kad aš žingsnis arčiau tobulos dovanos.
Labai blogai, jei ateityje man reikės tokio tikslaus dėklo linijinės linijos. O palauk. Radau sprendimą. Pagal “Pagerinkite savo rekomendacijas” meniu punktą, galiu redaguoti elementus, pažymėtus „ “Nesudomintas” etiketėje
Kai rasiu įsivaizduojamą dovanų medžioklę, galiu paprasčiausiai išbraukti produktų, kuriuos galbūt norėčiau pamatyti tarp mano rekomendacijų ateityje.