Рекомендации!!! Рекомендации были частью нашей жизни еще до появления Интернета. Давайте рассмотрим несколько сценариев, чтобы лучше понять это.
- Вы идете в магазин; продавец рекомендует вам лучшие предложения и комбинации.
- Вы идете в музыкальный магазин; вам порекомендуют музыку на ваш вкус.
Итак, если рекомендации существуют так долго, почему они становятся все более популярными в наши дни? Поскольку все становится онлайн, индустрия электронной коммерции может предоставить больше предложений со своей стороны. Это потому, что владельцу не обязательно иметь при себе все хорошее физически. Это дает большое преимущество продавцам, потому что им не нужно ограничивать пространство, а также беспокоиться о сроке годности продуктов, поэтому они могут размещать огромное количество товаров.
Возьмем Amazon, легенду онлайн-покупок. Продукты, предлагаемые Amazon, физически не принадлежат им, скорее они связаны с несколькими различными мелкими розничными торговцами и, следовательно, могут предоставлять покупателям тысячи продуктов. Таким образом, с широким ассортиментом продукции возникают следующие проблемы:
- Пользователи не смогут легко просматривать все продукты. Скорее им будет скучно!!
- Путаница возникает из-за множества вариантов выбора. Представьте, что вам предлагают сотни моделей солнцезащитных очков. О..О.. какой мне купить???
- Немногие продукты остаются незамеченными из-за порядка перечисления товаров.
Однако последняя заявленная проблема касается не только индустрии электронной коммерции, даже торговые ряды сталкиваются с проблемой того, где разместить какой продукт и в каком порядке, чтобы привлечь клиентов. Именно здесь вступает в действие популярный алгоритм Анализ рыночной корзины, который выполняет анализ «Если вы покупаете определенную группу товаров, вы с большей или меньшей вероятностью купить другой набор предметов». Основываясь на этом анализе моделей, товары будут заказываться в супермаркетах, чтобы увеличить продажи.
Теперь вернемся к тому, как электронная коммерция преодолевает вышеупомянутые проблемы и превращается в огромную отрасль — «Двигатели рекомендаций». Прежде чем узнать больше о механизмах рекомендаций, давайте кратко рассмотрим, как мы сталкиваемся с тем же в нашей повседневной жизни, даже без нашего ведома.
- Хотите сделать покупки? Amazon/Flipkart дает вам набор рекомендаций, основанных на вашей истории покупок.
- Хотите прочитать последние новости? Новости Google рекомендуют вам самые популярные события.
- Стало скучно, хочешь посмотреть фильм? Netflix рекомендует фильмы того жанра, который вы хотели бы посмотреть.
- В социальных сетях? Facebook предлагает вам друзей, а LinkedIn пытается создать круг общения.
И список продолжается …
Теперь, когда у нас было достаточно разговоров о появлении рекомендательных систем и их важности, давайте углубимся в детали.
Что такое система рекомендаций?
Механизмы/системы рекомендаций — это простые алгоритмы, которые предоставляют элементы (может быть любыми), наиболее приближенные к потребностям и интересам пользователя. Это достигается путем анализа закономерности в истории покупок пользователя. Он стал отличным инструментом фильтрации в эпоху данных и, таким образом, представляет потребителям наиболее важные вещи на основе их вкуса.
В книге Энциклопедия машинного обучения авторы Прем Мелвилл и Викас Синдхвани заявили, что «Цель рекомендательной системы — генерировать содержательные рекомендации группе пользователей в отношении элементов или продуктов, которые могут их заинтересовать. ».
Когда использовать?
Когда у вас широкий ассортимент товаров, скажем, несколько сотен, тогда действительно имеет смысл использовать рекомендательную систему. Представьте, что вы идете в магазин мобильных телефонов, где доступно десять моделей мобильных телефонов. Нет необходимости рекомендовать пользователю лучшие элементы, так как доступный элемент меньше. Пользователь без рекомендаций может легко сделать свой выбор. Так что знайте, когда его использовать.
Типы систем рекомендаций:
Существуют различные методы, используемые в рекомендательных системах, однако мы можем разделить систему на две группы.
- Контентная фильтрация
- Совместная фильтрация
Классификация основана на следующем ключевом моменте. Системы рекомендаций учатся на прошлых данных. Эти прошлые данные могут относиться к предметам/продуктам, приобретенным пользователем, или к предметам, приобретенным аналогичными пользователями. Давайте разберемся в этом подробно.
Контентная фильтрация:
Этот тип фильтрации анализирует свойства товаров, которые пользователь уже купил или которые ему понравились. Например, Netflix порекомендует комедийный фильм, если пользователь в прошлом смотрел больше фильмов того же жанра.
Совместная фильтрация:
Этот тип фильтрации будет анализировать товары, купленные или понравившиеся похожим пользователям. Таким образом, рекомендуемые здесь элементы — это элементы, которые предпочитают аналогичные пользователи.
Гибридные рекомендательные системы:
Как контентная, так и совместная фильтрация имеют свои преимущества и недостатки.
Комбинация того и другого с использованием преимуществ каждого из алгоритмов в некоторых случаях поможет намного лучше. Здесь прогнозы от обеих систем фильтрации можно объединить или построить единую комбинированную модель. В рамках гибридных систем предлагается множество методов.
Таким образом, механизм рекомендаций облегчит нашу работу, взяв на себя роль продавца и рекомендуя товары, которые нам нравятся. Я надеюсь, что после этого все получили бы достаточно хорошее представление о механизмах рекомендаций. Мы подробно рассмотрим каждый из этих алгоритмов фильтрации, например, когда какой алгоритм использовать, преимущества и ограничения, а также демонстрацию с использованием набора данных. И мы также обсудим некоторые библиотеки, которые были бы полезны в следующих постах.
