Video: Basisprincipes van brandbestrijding: waarom is verandering nodig? 2024
Met een op de gebruiker gebaseerde aanpak van collaboratieve filtering in voorspellende analyse, kan het systeem de gelijkenis tussen paren gebruikers berekenen met behulp van de cosinus similariteitsformule, een techniek die veel lijkt op de op artikelen gebaseerde benadering. Meestal duurt het langer voordat dergelijke berekeningen worden uitgevoerd en moet deze mogelijk vaker worden berekend dan de berekeningen die worden gebruikt in de artikelgebaseerde benadering. Dat komt omdat
-
je veel meer gebruikers zou hebben dan items (idealiter toch).
-
Je zou verwachten dat items minder vaak veranderen dan gebruikers.
-
Met meer gebruikers en minder wijzigingen in de aangeboden items, kunt u veel meer kenmerken gebruiken dan alleen de aankoopgeschiedenis bij het berekenen van gebruikersovereenkomsten.
Een gebruikersgebaseerd systeem kan ook algoritmes voor het leren van apparaten gebruiken om alle gebruikers te groeperen die hebben laten zien dat ze dezelfde smaak hebben. Het systeem bouwt buurten van gebruikers met vergelijkbare profielen, aankooppatronen of beoordelingspatronen. Als een persoon in een buurt een item koopt en leuk vindt, kan het recommender-systeem dat item aanbevelen aan iedereen in de buurt.
Evenals op item-gebaseerde collaboratieve filtering, vereist de op de gebruiker gebaseerde benadering dat er voldoende gegevens over elke gebruiker zijn om effectief te zijn. Voordat het systeem aanbevelingen kan doen, moet het een gebruikersprofiel maken - dus moet de gebruiker ook een account aanmaken en ingelogd zijn (of informatie over de sessie opslaan in de browser via cookies) tijdens het bekijken van een website.
Aanvankelijk kan het systeem de gebruiker expliciet vragen om een profiel te maken, het profiel uit te werken door vragen te stellen en vervolgens de suggesties te optimaliseren nadat de aankoopgegevens van de gebruiker zijn verzameld.
Netflix is een voorbeeld van het snel opbouwen van een profiel voor elke klant. Dit is de algemene procedure:
-
Netflix nodigt zijn klanten uit om wachtrijen in te stellen voor de films die ze graag willen bekijken.
-
De gekozen films worden geanalyseerd om meer te weten te komen over de smaak van de klant in films.
-
Het voorspellende model beveelt meer films aan voor de klant om te bekijken, op basis van de films die al in de wachtrij staan.
Een voorbeeldmatrix van klanten en hun gekochte items - is een voorbeeld van op gebruikers gebaseerde collaboratieve filtering. Gebruik voor de eenvoud een regel dat een gebruikersomgeving is gemaakt van gebruikers die ten minste twee dingen gemeenschappelijk hebben gekocht.
Klant | Item 1 | Item 2 | Item 3 | Item 4 | Item 5 | Artikel 6 |
---|---|---|---|---|---|---|
A - N1 | X | X > X | B - N1 | |||
X | X | C - N2 | ||||
X | X | D - N2 | ||||
X | X | X > E - N1 | X | |||
X | F - N1 | X | ||||
X | X | X | G - N1 | X | ||
X > H - N3 | X | I - N3 | ||||
X | Er zijn drie gebruikersbuurten gevormd: N1, N2 en N3.Elke gebruiker in de wijken N1 en N2 heeft ten minste twee items gekocht die overeenkomen met iemand anders in dezelfde buurt. N3 zijn gebruikers die nog niet aan de criteria voldoen en zullen geen aanbevelingen ontvangen totdat ze andere artikelen kopen om aan de criteria te voldoen. | |||||
Hier is een voorbeeld van hoe u dit aanbevelingssysteem zou kunnen gebruiken: | Offline |
via een e-mailmarketingcampagne of als de gebruiker zich op de website bevindt tijdens het inloggen. Het systeem kan marketingadvertenties verzenden of aanbevelingen doen op de website als volgt:
Item 3 aan klant B
Artikel 4 aan klant C Artikel 1 aan klant E
-
Artikel 3 aan klant F
-
artikel 2 aan klant G
-
onbepaald item aan klanten A en D
-
Idealiter zou je veel meer items moeten hebben dan zes. En er moeten altijd een aantal items in de buurt van een klant zijn die de klant nog niet heeft gekocht.
-
Onbepaald artikel voor klanten H en I
-
In dit geval zijn er onvoldoende gegevens om als basis voor een aanbeveling te dienen.
Een heel belangrijk verschil is dat, aangezien elke klant tot een groep behoort, alle toekomstige aankopen die een lid doet, aan de andere leden van de groep zullen worden aanbevolen totdat het filter opnieuw wordt geschoold. Dus klanten A en D zullen snel aanbevelingen gaan krijgen, omdat ze al tot een wijk behoren en de andere buren zeker binnenkort iets zullen kopen.
-
Bijvoorbeeld: als klant B artikel 6 koopt, beveelt het aanbevelingsysteem punt 6 aan iedereen in N1 aan (klant A, B, E, F en G).
Klant F kan potentieel tot een van de wijken N1 of N2 behoren, afhankelijk van hoe het collaboratieve filteralgoritme is geïmplementeerd.
Klanten H en ik geven voorbeelden van het
cold-start-probleem:
De klant heeft gewoon onvoldoende gegevens gegenereerd om te worden gegroepeerd in een gebruikersomgeving. Bij afwezigheid van een gebruikersprofiel zal een nieuwe klant met een zeer kleine of geen aankoopgeschiedenis - of die alleen obscure items koopt - altijd het cold-start-probleem vormen voor het systeem, ongeacht welke collaboratieve filterbenadering wordt gebruikt.
Klant Ik illustreer een aspect van het cold-start-probleem dat uniek is voor de op gebruikers gebaseerde aanpak. De op artikelen gebaseerde aanpak zou andere artikelen zoeken die vergelijkbaar zijn met het artikel dat de klant heeft gekocht; dan, als andere gebruikers Item 6 gaan kopen, kan het systeem beginnen met het doen van aanbevelingen. Er hoeft door de gebruiker geen verdere aankopen te worden gedaan; de op artikelen gebaseerde aanpak kan beginnen met het aanbevelen. In een gebruikersgebaseerd systeem moet Klant echter extra aankopen doen om bij een gebruikersbuurt te horen; het systeem kan nog geen aanbevelingen doen. Oke, er is een aanname aan het werk in deze eenvoudige voorbeelden - namelijk dat de klant het artikel niet alleen kocht, maar het ook leuk vond om soortgelijke aankopen te doen. Wat als de klant het artikel niet leuk vond? Het systeem heeft op zijn minst een betere precisie nodig in zijn aanbevelingen.
U kunt een criterium toevoegen aan het aanbevelingssysteem om mensen te groeperen die vergelijkbare beoordelingen hebben gegeven voor de items die zij hebben gekocht.Als het systeem klanten vindt die dezelfde items leuk vinden en niet leuk vinden, dan is de aanname van hoge precisie geldig. Met andere woorden, er is een grote kans dat de klanten dezelfde smaak delen.