Inhoudsopgave:
- Basiskennis van tags om items te beschrijven
- Hoe de effectiviteit van systeemaanbevelingen te meten
- precisie
Video: Linux Tutorial for Beginners: Introduction to Linux Operating System 2024
Op content gebaseerde voorspellende analyses recommender-systemen komen meestal overeen met kenmerken (getagde zoekwoorden) tussen vergelijkbare items en het gebruikersprofiel om aanbevelingen te doen. Wanneer een gebruiker een item koopt dat functies met tags heeft, worden items met functies die overeenkomen met die van het oorspronkelijke item, aanbevolen. Hoe meer functies overeenkomen, hoe groter de kans dat de gebruiker de aanbeveling leuk vindt. Deze mate van waarschijnlijkheid wordt precisie genoemd.
Basiskennis van tags om items te beschrijven
Over het algemeen tagt het bedrijf dat de selling doet (of de fabrikant) zijn items gewoonlijk met trefwoorden. Op de Amazon-website is het echter vrij normaal om nooit de tags te zien van gekochte of bekeken items - en zelfs niet om een item te taggen. Klanten kunnen de artikelen bekijken die ze hebben gekocht, maar dat is niet hetzelfde als taggen.
Het labelen van items kan een schaaluitdaging zijn voor een winkel als Amazon die zoveel items bevat. Bovendien kunnen sommige kenmerken subjectief zijn en mogelijk onjuist zijn getagd, afhankelijk van wie deze tagt. Een oplossing die het schaalprobleem oplost, is om klanten of het grote publiek toe te staan de items te taggen.
Om de tags beheersbaar en accuraat te houden, kan een acceptabele set tags door de website worden verstrekt. Alleen wanneer een geschikt aantal gebruikers ermee instemt (dat wil zeggen, dezelfde tag gebruiken om een item te beschrijven), wordt de overeengekomen tag gebruikt om het item te beschrijven.
Taggen op basis van gebruiker brengt echter andere problemen aan het licht voor een op inhoud gebaseerd filtersysteem (en collaboratief filteren):
-
Geloofwaardigheid: Niet alle klanten vertellen de waarheid (vooral online) en gebruikers die alleen een kleine beoordelingsgeschiedenis kan de gegevens scheeftrekken. Bovendien kunnen sommige leveranciers hun eigen producten positieve beoordelingen geven (of stimuleren) om negatieve beoordelingen te geven aan de producten van hun concurrenten.
-
Sparsity: Niet alle items worden beoordeeld of hebben voldoende beoordelingen om bruikbare gegevens te produceren.
-
Inconsistentie: Niet alle gebruikers gebruiken dezelfde zoekwoorden om een item te taggen, ook al is de betekenis hetzelfde. Bovendien kunnen sommige attributen subjectief zijn. Een kijker van een film kan het bijvoorbeeld kort vinden, terwijl een andere zegt dat het te lang duurt.
Attributen hebben duidelijke definities nodig. Een attribuut met te weinig grenzen is moeilijk te evalueren; te veel regels opleggen aan een attribuut kan gebruikers vragen om te veel werk te doen, wat hen zal ontmoedigen om items te taggen.
Het labelen van de meeste items in een productcatalogus kan helpen bij het oplossen van het probleem met de koude start dat collaboratieve filtering teistert.Gedurende enige tijd zal de nauwkeurigheid van de aanbevelingen van het systeem laag zijn totdat een gebruikersprofiel wordt aangemaakt of verkregen.
Dit is een voorbeeldmatrix van klanten en hun gekochte items, toont een voorbeeld van op inhoud gebaseerde filtering.
Items | Feature 1 | Feature 2 | Feature 3 | Feature 4 | Feature 5 |
---|---|---|---|---|---|
Item 1 | X | X | |||
Artikel 2 | X | X | |||
Item 3 | X | X | X | ||
Artikel 4 | X | X | X | ||
Artikel 5 | X > X | X | Hier, als een gebruiker van Feature 2 houdt - en die is opgenomen in haar profiel - zal het systeem alle items aanbevelen met Feature 2: Item 1, Item 2 en Item 4. > Deze aanpak werkt zelfs als de gebruiker nog nooit een item heeft gekocht of beoordeeld. Het systeem zal alleen in de productdatabase kijken voor elk item dat is gelabeld met functie 2. Als (bijvoorbeeld) een gebruiker die op zoek is naar films met Audrey Hepburn - en die voorkeur verschijnt in het profiel van de gebruiker - zal het systeem iedereen aanbevelen de films met Audrey Hepburn voor deze gebruiker. |
In dit voorbeeld wordt echter snel een beperking van de op inhoud gebaseerde filtertechniek weergegeven: de gebruiker weet waarschijnlijk al van alle films waarin Audrey Hepburn zich bevindt, of kan dit gemakkelijk achterhalen, dus vanuit het oogpunt van die gebruiker, het systeem heeft niets nieuws of waarde aanbevolen.
Precisie verbeteren met constante feedback
Een manier om de nauwkeurigheid van de aanbevelingen van het systeem te verbeteren, is om klanten waar mogelijk feedback te vragen. Het verzamelen van feedback van klanten kan op veel verschillende manieren, via meerdere kanalen. Sommige bedrijven vragen de klant om een artikel of dienst na aankoop te beoordelen. Andere systemen bieden koppelingen in sociale mediastijl, zodat klanten een product kunnen "liken" of "niet kunnen waarderen". Constante interactie tussen
Hoe de effectiviteit van systeemaanbevelingen te meten
Het succes van de aanbevelingen van een systeem is afhankelijk van hoe goed het voldoet aan twee criteria:
precisie
(denk aan een reeks perfecte overeenkomsten - meestal een kleine set) en recall (denk aan een reeks mogelijke overeenkomsten - meestal een grotere reeks). Hier is een nadere blik: Precisie meet hoe nauwkeurig de aanbeveling van het systeem was. Precisie is moeilijk te meten omdat het subjectief en moeilijk te kwantificeren is. Wanneer een gebruiker bijvoorbeeld de Amazon-site voor het eerst bezoekt, kan Amazon dan zeker weten of zijn aanbevelingen op schema liggen?
-
Sommige aanbevelingen kunnen verband houden met de interesses van de klant, maar de klant kan nog steeds niet kopen. Het hoogste vertrouwen dat een aanbeveling nauwkeurig is, komt uit duidelijk bewijs: de klant koopt het artikel. Als alternatief kan het systeem de gebruiker expliciet vragen zijn aanbevelingen te beoordelen. Recall
meet de reeks mogelijke goede aanbevelingen die uw systeem oplevert. Zie herinnering als een inventaris van mogelijke aanbevelingen, maar niet allemaal perfecte aanbevelingen. Er is over het algemeen een omgekeerde relatie met precisie en recall. Dat wil zeggen, als het terugroepen toeneemt, neemt de precisie af en vice versa.
-
Het ideale systeem zou zowel een hoge precisie als een hoge recall hebben. Maar realistisch gezien, is het beste resultaat een delicaat evenwicht tussen de twee te bereiken. Het benadrukken van precisie of recall hangt echt af van het probleem dat je probeert op te lossen.