Системите за препоръчване са инструменти за взаимодействие с големи и сложни информационни пространства. Те предоставят персонализиран изглед на такива пространства, като приоритизират елементи, които вероятно представляват интерес за потребителя. Изследванията на системите Recommender включват голямо разнообразие от техники за изкуствен интелект, включително машинно обучение, извличане на данни, потребителско моделиране, мотивиране на базата на казуси и удовлетворение от ограничения, наред с други. Персонализираните препоръки играят важна роля в много приложения за онлайн електронна търговия като Amazon.com, Netflix и Google Search. Тази статия предоставя общ преглед на това как системите Recommender се използват в електронната търговия и често срещаните типове, използвани в проекти в реалния свят. Състои се от две части: първата част ще обясни теоретичните знания и ще използва Amazon като пример. Втората част ще обясни как да приложите някои от тези техники в python с цялостен проект в GitHub.
1. Въведение
Прототипният случай на използване на препоръчителна система се среща редовно в настройките за електронна търговия. Потребител, Мохамед, посещава любимия си онлайн магазин за електроника. Началната страница изброява текущ списък, съдържащ препоръчани артикули.
Този списък може да включва, например, нов продукт, произведен от една от любимите компании на Мохамед, нова видео игра. Дали Мохамед ще намери тези предложения за полезни или разсейващи зависи от това колко добре отговарят на вкусовете му. Ето защо ключова характеристика на системата за препоръчване е, че тя предоставя персонализиран изглед на данните, в този случай инвентара на магазина за електроника. Ако премахнем персонализацията, оставаме със списъка с най-продаваните продукти – списък, който е независим от потребителя.
Системата за препоръчване има за цел да намали усилията на потребителя при търсене, като изброява онези артикули с най-голяма полезност, тези, които Мохамед е най-вероятно да закупи. Това, разбира се, е от полза както за Мохамед, така и за собственика на магазина за електронна търговия.
„Ако имам 2 милиона клиенти в мрежата, трябва да имам 2 милиона магазина в мрежата.“ (Джеф Безос, главен изпълнителен директор на Amazon.com).
2. Какво е система за препоръчване?
Има толкова много дефиниции, които описват какво представляват препоръчителните системи, но намирам това за най-простото: „всяка система, която произвежда индивидуализирани препоръки като изход или има ефекта на насочване на потребителя по персонализиран начин към интересни или полезни обекти в голямо пространство от възможни варианти." (Бърк, 2002)
3. Техники на препоръчителната система
Предлагат се различни методи за разработване на ефективни системи за препоръки, две форми са в основата на разработването на други подходи. Тези методи са филтриране на съдържание и съвместно филтриране.
4. Amazon.com
- 4.1 Информационна страница
много сайтове за електронна търговия са структурирани с информационна страница за всяка книга, даваща подробности за текста и информация за покупка. Функцията „Клиенти, които са купили“ се намира на информационната страница за всяка книга в техния каталог и ще намерите два отделни списъка с препоръки, а понякога и повече.
Първият раздел препоръчва други книги, които често се купуват с избраната книга.
Вторият раздел представя книги, които често се посещават от клиенти, които са видели същата книга.
- 4.2 Очи
Функцията Eyes позволява на клиентите да бъдат уведомявани по имейл за нови артикули, добавени към каталога Amazon.com. Клиентите въвеждат заявки въз основа на информация за автор, заглавие, тема, ISBN или дата на публикуване. Клиентите могат да използват както прости, така и по-сложни булеви критерии (И/ИЛИ) за заявки за уведомяване.
- 4.3 Amazon.com доставя
Amazon.com Delivers е вариант на функцията Eyes. Клиентите поставят отметки в квадратчета, за да избират от списък с конкретни категории/жанрове (книги на Опра, биографии, готвене). Периодично редакторите на Amazon.com изпращат съобщения по имейл, за да уведомят абонатите за последните им препоръки в абонираните категории.
- 4.4 Book Matcher
Функцията Book Matcher позволява на клиентите да дават директна обратна връзка за книгите, които са прочели. Клиентите оценяват книгите, които са прочели, по 5-степенна скала от „мразех ги“ до „харесваха ги“. След като оценят извадка от книги, клиентите могат да поискат препоръки за книги, които биха харесали. В този момент се представят половин дузина неоценени текстове, които корелират с посочените вкусове на потребителя. Обратната връзка с тези препоръки се предоставя от функцията „оценете тези книги“, където клиентите могат да посочат оценка за една или повече от препоръчаните книги.
- 4.5 Коментари на клиента
Функцията за коментари на клиенти позволява на клиентите да получават текстови препоръки въз основа на мненията на други клиенти. На информационната страница за всяка книга има списък с оценки от 1 до 5 звезди и писмени коментари, предоставени от клиенти, които са прочели въпросната книга и са изпратили рецензия. Клиентите имат възможност да включат тези препоръки в решението си за покупка.
5. Видове препоръчителни системи
- 5.1 Неперсонализирани препоръки
Неперсонализираните системи за препоръчване препоръчват продукти на клиенти въз основа на това, което другите клиенти са казали средно за продуктите. Препоръките са независими от клиента.
Пример: средните оценки на клиентите, показани от Amazon.com и текстовите коментари, поддържани в коментарите на клиентите на Amazon, са неперсонализирани препоръки.
Предимства:
Полезно е, когато става дума за нови потребители, защото нямаме достатъчно информация за техните предпочитания, за да можем да им покажем бестселърите, книгите на популярни автори..., докато не изградим представа за личността на потребителя.
Недостатъци:
В дългосрочен план това не е полезно, тъй като всеки клиент получава едни и същи препоръки и не всички клиенти имат еднакви предпочитания, освен това техните предпочитания се променят с времето.
- 5.2 Препоръки, базирани на атрибути
Системите за препоръчване, базирани на атрибути, препоръчват продукти на клиенти въз основа на синтактичните свойства на продуктите. Например, ако клиентът търси историческа романтична книга и сайтът за електронна търговия отговори със списък от три препоръчани книги, това е пример за препоръка, базирана на атрибут, тъй като препоръчва книгите, които споделят едни и същи свойства от това, което търсят.
Препоръките, базирани на атрибути, често са ръчни, тъй като клиентът трябва директно да поиска препоръката, като въведе желаните от него синтактични свойства на продукта. Препоръките, базирани на атрибути, могат да бъдат мимолетни или лични, в зависимост от това дали сайтът за електронна търговия помни предпочитанията на атрибутите за клиента.
Amazon.com доставя 4.3 е ръчно, тъй като клиентите трябва изрично да се регистрират и да предоставят набор от категории по интереси. Въпреки това „Amazon.com“ доставя е постоянен, тъй като „Amazon.com“ продължава да изпраща препоръки в избрани категории, докато клиентът не изключи заявката.
- 5.3 Корелация между елементи
Подобен е на предишния тип, но е малко по-различен, тъй като системата изпълнява етап на изграждане на модел, като автоматично намира приликите между всички двойки елементи. Например, ако клиент е поставил няколко продукта в кошницата си за пазаруване, системата за препоръчване може да препоръча допълнителни продукти, за да увеличи размера на поръчката, потребителят влиза в страницата с информация, системата препоръчва продукти, подобни на тези, които разглежда.
Пример: Обратно към 4.1, Amazon.com използва този тип в информационната си страница.
- 5.4 Корелация между хората
Системите за препоръчване на корелация между хора препоръчват продукти на клиент въз основа на връзката между този клиент и други клиенти, които са закупили продукти от сайта за електронна търговия.
Системата се опитва да открие моделите сред потребителите и въз основа на корелацията се опитва да препоръча продукти. Например, процентът на всеки потребител за книга, ако процентът е положителен и да кажем, че даден потребител е дал добър коментар 4,5 за тази книга, това прави книгата по-видима на главната страница. защото системата откри, че много хора харесват този продукт.
- 5.5 Потребителски данни
Всяка от предишните четири технологии за препоръки изисква някаква форма на вход, върху който да се основават препоръките. Обикновено тази информация се предоставя от клиента(ите). Въпреки това е възможно приносът да бъде предоставен и от бизнеса. Системите в нашите примери използват един или повече от следните входове.
Данни за покупка: Кои продукти е закупил клиентът. Системи като Клиентите на Amazon.com, които са закупили определена книга, дават препоръки, базирани изцяло на модели на „съвместна покупка“ между множество клиенти. Върнете се към 5.4.
Лайкърт: Това, което клиентът казва, той мисли за продукт, обикновено по скала 1-5 или 1-7. Скалата може да бъде цифрова или текстова, но трябва да бъде напълно подредена. Системи като коментарите на клиентите на Amazon.com. Върнете се към 4.5 и 5.4.
Избор на редактора: Понякога селекциите в рамките на определена категория се правят от човешки редактори, обикновено наети от сайта за електронна търговия.
6. Заключение
Значението на системите за препоръки е важно, когато става въпрос за създаване на индивидуално изживяване, което отговаря на интересите на всеки индивид. Всъщност не сме свидетели само на това в електронната търговия, но в почти всичко и без него потребителското изживяване ще бъде доста трудно. Проблемът понякога се крие в неетичното използване на индивидуални данни, така че трябва да има разпоредби, регулиращи използването на данните на всеки човек.
