Como usar filtros de colaboração baseada em itens em análise preditiva
Um dos Amazon&sistemas de recomendação rsquo-s para usos análise preditiva filtragem colaborativa baseada em item de
Conteúdo
Parece mágica, mas&não rsquo-S. Embora o seu perfil hasn&rsquo-t foi criado ainda (porque você aren&rsquo-t logado ou você não tem nenhum histórico anterior do navegador no site), o sistema leva o que equivale a um palpite: Ele baseia a sua recomendação sobre o item em si e o que outros clientes visualizados ou comprado depois (ou antes) eles compraram esse item. Então você&rsquo-verá alguma mensagem na tela como
Clientes que compraram este item, também compraram . . .
Clientes que compraram itens em sua história recente também compraram. . .
Que outros itens que os clientes compram depois de ver este item?
Video: Ferramentas para gerir e optimizar o seu website (30) - Pasteis de Marketing
Em essência, a recomendação é baseada em como semelhante o item atualmente visto é a outros itens, com base nas ações da comunidade de usuários.
A seguir mostra uma matriz de amostra de clientes e itens por eles adquiridos. Ele será utilizado como um exemplo de filtragem colaborativa à base de produto.
| Cliente | Item 1 | ponto 2 | item 3 | item 4 | ponto 5 | ponto 6 |
|---|---|---|---|---|---|---|
| UMA | X | X | X | |||
| B | X | X | ||||
| C | X | X | ||||
| D | X | X | X | |||
| E | X | X | ||||
| F | X | X | X | X | ||
| G | X | X | ||||
| H | X | |||||
| Eu | X |
Agora deixe&olhar rsquo-s na semelhança item calculado por meio da fórmula de co-seno similaridade. A fórmula para cosseno de similaridade é um ·- B) / (A || || || || B), em que A e B são produto para comparar. Para ler o exemplo a seguir e descubra como semelhante um par de itens são, apenas localizar a célula onde os dois itens se cruzam. O número será entre 0 e 1. Um valor de 1 significa que os itens são perfeitamente similar- 0 significa que eles não são semelhantes.
Video: Vomitando arco-íris (maquiagem artística)
| ponto 6 | 0 | 0 | 0 | 0 | 0 |
| ponto 5 | 0,26 | 0,29 | 0,52 | 0,82 | 0 |
| item 4 | 0,32 | 0,35 | 0,32 | 0,82 | 0 |
| item 3 | 0,40 | 0,45 | 0,32 | 0,52 | 0 |
| ponto 2 | 0,67 | 0,45 | 0,35 | 0,29 | 0 |
| Item 1 | 0,67 | 0,40 | 0,32 | 0,26 | 0 |
| Item 1 | ponto 2 | item 3 | item 4 | ponto 5 | ponto 6 |
O sistema pode fornecer uma lista de recomendações que estão acima de um certo valor semelhança ou pode recomendar o topo n número de ítens. Neste cenário, você pode dizer que qualquer valor maior ou igual a 0,40 é similar- o sistema irá recomendar esses itens.
Por exemplo, a semelhança entre o produto 1 e o elemento 2 é 0,67. A semelhança entre o produto 2 e o item 1 é o mesmo. Assim, é uma imagem espelhada do outro lado da diagonal de inferior esquerdo para canto superior direito. Você também pode ver que o ponto 6 não é semelhante a qualquer outro item porque ele tem um valor de 0.
Esta implementação de um sistema de recomendação com base em item é simplificado para ilustrar como funciona. Para simplificar, usar apenas um critério para determinar similaridade artigo: se o usuário comprou o item. Mais sistemas complexos poderiam entrar em maiores detalhes por
Usando perfis criados pelos utilizadores que representam seus gostos
Factoring em quanto s usuário gosta (ou altamente taxas) um item
Pesando quantos itens o usuário adquiridos que são semelhantes ao potencial item recomendado (s)
Fazendo suposições sobre se um usuário gosta de um item com base em se o usuário simplesmente visto o item, mesmo que nenhuma compra foi feita
Video: Snapchat | tutorias | novos filtro | troféus. (2016)
Aqui estão duas maneiras comuns que você pode usar este sistema de recomendação:
Off-line através de uma campanha de marketing e-mail ou se o usuário está no site enquanto estiver conectado.
O sistema poderia enviar anúncios de marketing ou fazer essas recomendações sobre o site:
O item 3 ao Cliente B
Recomendado porque Cliente B comprado itens 1 e 2, e ambos os itens são semelhantes ao Item 3.
Item 4, em seguida, Item 2, para o Cliente C
Recomendado porque Cliente C comprado itens 3 e 5. O ponto 5 é semelhante ao Item (valor de similaridade: 0,82) 4. Ponto 2 é semelhante ao Item (valor de similaridade: 0,45) 3.
Ponto 2 ao Cliente D
Recomendado porque Cliente D comprado itens 3, 4 e 5. O ponto 3 é similar ao ponto 2.
Ponto 1 ao Cliente E
Recomendado porque Cliente E Itens comprados 2 e 3, sendo que ambos são semelhantes ao Item 1.
O item 3 ao Cliente F
Recomendado porque Cliente F comprada Itens 1, 2, 4 e 5. Itens 1, 2 e 5 são semelhantes ao Item 3.
Ponto 2 ao G Cliente
Recomendado porque Cliente G comprado itens 1 e 3. Eles são ambos semelhante ao ponto 2.
Item 2, em seguida, item 3, para Cliente H
Recomendado porque Cliente H comprou o item 1. Item 1 é semelhante aos itens 2 e 3.
ponto indeterminado ao Cliente A
Idealmente, você deve ter muito mais itens e usuários. E deve haver alguns itens que um cliente comprou que são semelhantes a outros itens que ele ou ela ainda não comprou.
ponto indeterminado ao Cliente I
Neste caso, os dados são insuficientes para servir como base de uma recomendação. Este é um exemplo do problema de arranque a frio.
On-line através de uma exibição de página quando o usuário não está logado.