Рекомендательные системы — это инструменты для взаимодействия с большими и сложными информационными пространствами. Они обеспечивают персонализированный просмотр таких пространств, отдавая приоритет элементам, которые могут заинтересовать пользователя. Исследования систем рекомендаций включают в себя широкий спектр методов искусственного интеллекта, включая машинное обучение, интеллектуальный анализ данных, моделирование пользователей, рассуждения на основе прецедентов и удовлетворение ограничений, среди прочего. Персональные рекомендации играют важную роль во многих приложениях электронной коммерции, таких как Amazon.com, Netflix и Google Search. В этой статье представлен обзор того, как рекомендательные системы используются в электронной коммерции, а также общие типы, используемые в реальных проектах. Он состоит из двух частей: в первой части объясняются теоретические знания, а в качестве примера будет использоваться Amazon. Во второй части объясняется, как применять некоторые из этих методов в python с готовым проектом на GitHub.
1. Введение
Типичный вариант использования рекомендательной системы регулярно встречается в настройках электронной коммерции. Пользователь Мохамед посещает свой любимый интернет-магазин электроники. На главной странице представлен текущий список, содержащий рекомендуемые элементы.
В этот список может входить, например, новый продукт одной из любимых компаний Мохамеда, новая видеоигра. Сочтут ли Мохамед эти предложения полезными или отвлекающими, зависит от того, насколько они соответствуют его вкусам. Таким образом, ключевой особенностью рекомендательной системы является то, что она обеспечивает персонализированное представление данных, в данном случае инвентаризации магазина электроники. Если убрать персонализацию, останется список самых продаваемых продуктов — список, не зависящий от пользователя.
Система рекомендаций направлена на то, чтобы снизить усилия пользователя при поиске, перечисляя те предметы, которые наиболее полезны, те, которые Мохамед с наибольшей вероятностью купит. Это, конечно, выгодно как Мохамеду, так и владельцу интернет-магазина.
«Если у меня есть 2 миллиона клиентов в Интернете, у меня должно быть 2 миллиона магазинов в Интернете» (Джефф Безос, генеральный директор Amazon.com)».
2. Что такое рекомендательная система?
Существует так много определений, описывающих, что такое рекомендательные системы, но я нахожу это наиболее простым: «любая система, которая выдает индивидуальные рекомендации на выходе или направляет пользователя персонализированным образом к интересным или полезным объектам в большом пространстве». возможные варианты». (Берк, 2002 г.)
3. Методы рекомендательных систем
Предлагаются различные методы разработки эффективных рекомендательных систем, две формы являются основой для разработки других подходов. Этими методами являются фильтрация содержимого и совместная фильтрация.
4. Amazon.com
- 4.1 Информационная страница
многие сайты электронной коммерции структурированы с информационной страницей для каждой книги, содержащей подробную информацию о тексте и информацию о покупке. Функция «Купившие книги» находится на информационной странице для каждой книги в их каталоге, и вы найдете два отдельных списка рекомендаций, а иногда и больше.
В первом разделе рекомендуются другие книги, которые часто покупаются вместе с выбранной книгой.
Во втором разделе представлены книги, которые часто посещают покупатели, видевшие ту же книгу.
- 4.2 Глаза
Функция Eyes позволяет клиентам получать уведомления по электронной почте о новых товарах, добавленных в каталог Amazon.com. Клиенты вводят запросы на основе информации об авторе, названии, теме, ISBN или дате публикации. Клиенты могут использовать как простые, так и более сложные логические критерии (И/ИЛИ) для запросов уведомлений.
- 4.3 Доставка Amazon.com
Amazon.com Delivers — это вариация функции Глаза. Клиенты устанавливают флажки, чтобы выбрать из списка определенных категорий/жанров (книги Опры, биографии, кулинария). Периодически редакторы Amazon.com рассылают объявления по электронной почте, чтобы уведомить подписчиков о своих последних рекомендациях в подписных категориях.
- 4.4 Поиск книг
Функция Book Matcher позволяет клиентам оставлять прямые отзывы о книгах, которые они прочитали. Клиенты оценивают прочитанные книги по 5-балльной шкале от «ненавижу» до «нравится». Оценив выборку книг, клиенты могут запросить рекомендации книг, которые могут им понравиться. В этот момент представляется полдюжины нерейтинговых текстов, которые соответствуют указанным вкусам пользователя. Обратная связь с этими рекомендациями осуществляется с помощью функции «Оценить эти книги», где клиенты могут поставить оценку одной или нескольким рекомендованным книгам.
- 4.5 Комментарии клиентов
Функция «Комментарии клиентов» позволяет клиентам получать текстовые рекомендации, основанные на мнениях других клиентов. На информационной странице каждой книги находится список оценок от 1 до 5 звезд и письменные комментарии, предоставленные покупателями, которые прочитали данную книгу и оставили отзыв. У клиентов есть возможность включить эти рекомендации в свое решение о покупке.
5. Типы рекомендательных систем
- 5.1 Неперсонализированные рекомендации
Неперсонализированные рекомендательные системы рекомендуют продукты клиентам на основе того, что другие клиенты в среднем говорят о продуктах. Рекомендации не зависят от клиента.
Пример: средние оценки клиентов, отображаемые на Amazon.com, и текстовые комментарии, поддерживаемые в комментариях клиентов Amazon, не являются персонализированными рекомендациями.
Преимущества:
Это полезно, когда речь идет о новых пользователях, потому что у нас недостаточно информации об их предпочтениях, поэтому мы можем показывать им бестселлеры, книги популярных авторов..., пока не сформируем картину личности пользователя.
Недостатки:
В долгосрочной перспективе это бесполезно, так как каждый клиент получает одинаковые рекомендации, и не у всех клиентов одинаковые предпочтения, к тому же их предпочтения со временем меняются.
- 5.2 Рекомендации на основе атрибутов
Системы рекомендаций на основе атрибутов рекомендуют продукты клиентам на основе синтаксических свойств продуктов. Например, если клиент выполняет поиск исторической романтической книги, а сайт электронной коммерции отвечает списком из трех рекомендуемых книг, это пример рекомендации на основе атрибутов, поскольку он рекомендует книги с одинаковыми свойствами. того, что они ищут.
Рекомендации на основе атрибутов часто создаются вручную, поскольку клиент должен напрямую запросить рекомендацию, введя желаемые синтаксические свойства продукта. Рекомендации на основе атрибутов могут быть эфемерными или персональными, в зависимости от того, запоминает ли сайт электронной коммерции предпочтения атрибутов для клиента.
Amazon.com Delivers 4.3 выполняется вручную, поскольку клиенты должны явно зарегистрироваться и предоставить набор категорий интересов. Однако доставка Amazon.com является постоянной, поскольку Amazon.com продолжает рассылать рекомендации в выбранных категориях до тех пор, пока клиент не отключит запрос.
- 5.3 Корреляция между элементами
Он похож на предыдущий тип, но немного отличается, поскольку система выполняет этап построения модели, автоматически находя сходство между всеми парами элементов. Например, если клиент поместил несколько продуктов в свою корзину для покупок, система рекомендаций может порекомендовать дополнительные продукты для увеличения размера заказа, пользователь входит на информационную страницу, система рекомендует продукты, похожие на те, которые он просматривает.
Пример: вернемся к 4.1, Amazon.com использует этот тип на своей информационной странице.
- 5.4 Корреляция между людьми
Системы рекомендаций по корреляции между людьми рекомендуют продукты клиенту на основе корреляции между этим клиентом и другими клиентами, которые приобрели продукты на сайте электронной коммерции.
Система пытается обнаружить закономерности среди пользователей и на основе корреляции пытается рекомендовать продукты. Например, оценка каждого пользователя для книги, если оценка положительная, и, допустим, пользователь оставил хороший комментарий 4,5 об этой книге, это делает книгу более заметной на главной странице. потому что система обнаружила, что многим людям нравится этот продукт.
- 5.5 Пользовательский ввод
Каждая из предыдущих четырех технологий рекомендаций требует некоторой формы входных данных, на которых основываются рекомендации. Обычно этот вход предоставляется заказчиком (-ами). Однако не исключено, что вклад может внести и бизнес. Системы в наших примерах используют один или несколько из следующих входов.
Данные о покупке: какие продукты покупатель приобрел. Такие системы, как Amazon.com. Клиенты, купившие определенную книгу, дают рекомендации, полностью основанные на шаблонах совместных покупок между несколькими покупателями. Вернитесь к 5.4.
Лайкерт: Что покупатель говорит, что он думает о продукте, обычно по шкале от 1 до 5 или от 1 до 7. Шкала может быть числовой или текстовой, но должна быть полностью упорядочена. Такие системы, как комментарии клиентов Amazon.com. Вернитесь к 4.5 и 5.4.
Выбор редактора: иногда выбор в рамках определенной категории осуществляется редакторами-людьми, обычно нанятыми сайтом электронной коммерции.
6. Заключение
Важность систем рекомендаций важна, когда речь идет о создании индивидуального опыта, который соответствует интересам каждого человека. На самом деле, мы наблюдаем это не только в электронной коммерции, но и почти во всем, и без этого пользовательский опыт будет довольно сложным. Проблема иногда заключается в неэтичном использовании личных данных, поэтому должны быть правила, регулирующие использование данных каждого человека.
