Een van de aanbevelingssystemen van Amazon voor voorspellende analyse op items gebaseerde collaboratieve filtering - uitdelen van een enorme voorraad producten uit de bedrijfsdatabase wanneer een gebruiker één enkel item op de website bekijkt. U weet dat u kijkt naar een op items gebaseerd collaboratief filtersysteem (of, vaak, een op inhoud gebaseerd systeem) als het u aanbevelingen toont bij uw allereerste itemweergave, zelfs als u nog geen profiel hebt gemaakt.
Lijkt op magie, maar dat is het niet. Hoewel uw profiel nog niet is aangemaakt (omdat u niet bent aangemeld of als u geen eerdere browsergeschiedenis op die site hebt), neemt het systeem wat neerkomt op een schatting: het baseert zijn aanbeveling op het artikel zelf en wat andere klanten hebben bekeken of gekocht na (of vóór) ze dat item hebben gekocht. U ziet dus een bericht op het scherm zoals
-
Klanten die dit artikel kochten, kochten ook …
-
Klanten die items in uw recente geschiedenis kochten, kochten ook …
-
Welke andere items kopen klanten na het bekijken van dit item?
In wezen is de aanbeveling gebaseerd op hoe vergelijkbaar het momenteel bekeken item is met andere items, op basis van de acties van de community van gebruikers.
Hieronder ziet u een voorbeeldmatrix van klanten en de items die zij hebben gekocht. Het wordt gebruikt als een voorbeeld van op items gebaseerde collaboratieve filtering.
| Klant | Item 1 | Item 2 | Item 3 | Item 4 | Item 5 | Artikel 6 |
|---|---|---|---|---|---|---|
| A | 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 > I | X | |||||
|
|
Laten we nu eens kijken naar itemovereenkomst die is berekend met behulp van de cosinus similarity-formule. De formule voor |
is (A & middot; B) / (|| A || || B ||), waarbij A en B items zijn om te vergelijken. Als u het volgende voorbeeld wilt lezen en wilt weten hoe vergelijkbaar een paar items zijn, zoekt u de cel waar de twee items elkaar kruisen. Het aantal ligt tussen 0 en 1. Een waarde van 1 betekent dat de items perfect op elkaar lijken; 0 betekent dat ze niet vergelijkbaar zijn.
| 0 | 0 | 0 | 0 | Artikel 5 | 0. 26 | |
| 0. 29 | 0. 52 | 0. 82 | 0 | Artikel 4 | 0. 32 | |
| 0. 35 | 0. 32 | 0. 82 | 0 | Item 3 | 0. 40 | |
| 0. 45 | 0. 32 | 0. 52 | 0 | Artikel 2 | 0. 67 | |
| 0. 45 | 0. 35 | 0. 29 | 0 | Item 1 | 0. 67 | |
| 0. 40 | 0. 32 | 0. 26 | 0 | Item 1 | Item 2 | |
| Item 3 | Item 4 | Item 5 | Post 6 | Het systeem kan een lijst met aanbevelingen geven die boven een bepaalde gelijkheidswaarde of kan het aantal | n |
bovenaan aanbevelen.In dit scenario kunt u zeggen dat elke waarde groter dan of gelijk aan 0. 40 vergelijkbaar is; het systeem zal deze items aanbevelen. Bijvoorbeeld, de overeenkomst tussen item 1 en item 2 is 0. 67. De overeenkomst tussen item 2 en item 1 is hetzelfde. Het is dus een spiegelbeeld over de diagonaal van linksonder naar rechtsboven. Je kunt ook zien dat item 6 niet vergelijkbaar is met andere items omdat het een waarde heeft van 0. Deze implementatie van een op artikelen gebaseerd aanbevelingssysteem is vereenvoudigd om te illustreren hoe het werkt. Gebruik voor de eenvoud slechts één criterium om de itemovereenkomst te bepalen: of de gebruiker het item heeft gekocht. Meer complexe systemen zouden gedetailleerder kunnen worden door
Profielen te gebruiken die door gebruikers zijn gemaakt en die hun smaak vertegenwoordigen
Factoren in hoeveel een gebruiker houdt van (of hoge tarieven) een item
-
Wegen met hoeveel items de gebruiker heeft gekocht vergelijkbaar met de mogelijke aanbevolen items.
-
Aannames maken over de vraag of een gebruiker een item leuk vindt op basis van het feit of de gebruiker het item gewoon heeft bekeken, ook al is er geen aankoop gedaan
gebruik dit recommender-systeem: -
Offline via een e-mailmarketingcampagne of als de gebruiker zich op de website bevindt tijdens het inloggen.
-
Het systeem kan marketingadvertenties verzenden of deze aanbevelingen doen op de website:
Item 3 aan klant B
-
Aanbevolen omdat klant B artikelen 1 en 2 heeft gekocht en beide artikelen lijken op item 3.
artikel 4, vervolgens artikel 2, klant C
-
aanbevolen omdat klant C artikelen 3 en 5 heeft gekocht Item 5 is vergelijkbaar met item 4 (gelijkeniswaarde: 0.82). Item 2 is vergelijkbaar met Item 3 (gelijkeniswaarde: 0. 45).
Item 2 aan klant D
-
Aanbevolen omdat klant D artikelen 3, 4 en 5 heeft gekocht. Artikel 3 is vergelijkbaar met artikel 2.
Artikel 1 aan klant E
-
Aanbevolen omdat klant E artikelen 2 heeft gekocht en 3, die beide lijken op Item 1.
Item 3 aan klant F
-
Aanbevolen omdat klant F artikelen 1, 2, 4 en 5 heeft gekocht. Items 1, 2 en 5 zijn vergelijkbaar met item 3.
Item 2 van klant G
-
Aanbevolen omdat klant G artikelen 1 en 3 heeft gekocht. Ze zijn beide vergelijkbaar met artikel 2.
artikel 2 en vervolgens artikel 3 met klant H
-
aanbevolen omdat klant H gekocht Item 1. Item 1 is vergelijkbaar met Items 2 en 3.
Onbepaald artikel naar klant A
-
Idealiter zou u veel meer artikelen en gebruikers moeten hebben. En er moeten enkele items zijn die een klant heeft gekocht en die lijken op andere items die hij of zij nog niet heeft gekocht.
Onbepaald artikel naar klant I
-
In dit geval zijn de gegevens onvoldoende om als basis voor een aanbeveling te dienen. Dit is een voorbeeld van het probleem met de koude start.
Online via een paginaweergave terwijl de gebruiker niet is aangemeld.
-
-
