Introduktion til anbefalingssystemer og Sådan designes anbefalingssystem, der ligner Amazonas

Det hele starter med et simpelt spørgsmål:

Hvorfor har vi brug for anbefalingssystemer?

Traditionelt vil vi gerne købe et produkt, som venner eller kolleger har foreslået.

Så lad os overveje et andet eksempel på en boghandel,

Boghandelbillede
På ovenstående billedbogbutik havde de henledt særlig opmærksomhed på bøger om ny samling, populære bøger osv. ...

Så køberen kan hurtigt vælge en bog,

I en digital verden, der bruger denne form for strategier som anbefalingssystemer, kan produktejeren anbefale varer, som kunderne muligvis også kunne lide og kræve

Hvad er anbefalingssystem?

Et anbefalingssystem er en omfattende klasse af webapplikationer, der involverer at forudsige brugerens svar på indstillingerne.

Et anbefalingssystem har været et varmt emne i lang tid. Et anbefalingssystem

Ofte benævnt som anbefalingssystemer er de enkle algoritmer, der sigter mod at give de mest relevante og nøjagtige genstande til brugeren ved at filtrere nyttige ting fra en enorm pool af informationsbase. Anbefalingsmotorer opdager datamønstre i datasættet ved at lære forbrugernes valg og frembringer de resultater, der co-relaterer til deres behov og interesser.

I realtidseksempler er som Amazon, de har brugt en anbefalingsmotor til at foreslå de varer eller produkter, som kunderne muligvis også kan lide.

Du kunne have set nedenfor billedeksempel til amazons anbefalingssystem,

til bøger

Netflix, der bruges til at foreslå anbefalingsmotor kan også lide, til sidst er målet det samme for alle giganter at opfylde anbefalingen om deres varer til kunderne

Hvordan designes et anbefalingssystem?

Selvom maskinlæring (ML) ofte bruges i bygning af anbefalingssystemer, betyder det ikke, at det er den eneste løsning. Der er mange måder at opbygge et anbefalingssystem på? enklere tilgange, for eksempel kan vi have meget få data, eller vi ønsker måske at opbygge en minimal løsning hurtigt osv.

Antag, at for en enklere videoanbefaling, kan vi simpelthen foreslå de samme forfattervideoer eller de samme publikationsvideoer baseret på videoer, som en bruger har set.

  1. popularitet baseret
  2. klassificering baseret
  3. samarbejdsfiltrering

i.Næreste nabo

ii. Matrixfaktorisering

Jeg vil forklare hver metode på en kort måde, så du kan forstå over alle idéer om design af anbefalingssystemer

  1. Popularitetsbaseret:

Den nemmeste måde at opbygge et anbefalingssystem er popularitetsbaseret, blot over alle de produkter, der er populære. Så hvordan man identificerer populære produkter, som kan identificeres, som alle de produkter, der købes mest,

Eksempel: I butik kan vi foreslå populære kjoler ved købstælling.

2.Klassificering baseret

Den anden måde at opbygge et anbefalingssystem er klassificeringsmodel. I denne brugsfunktion for både brugere såvel som produkter for at forudsige, om dette produkt kunne lide eller ikke af brugeren.

Når der kommer nye brugere, giver vores klassifikator en binær værdi af det produkt, som denne bruger kan lide eller ikke. På en sådan måde, at vi kan anbefale et produkt til brugeren.

Classifier

I ovenstående eksempel ved brug af brugerfunktioner som Alder, køn og produktfunktioner som omkostninger, kvalitet og produkthistorie, baseret på dette input giver vores klassificer en binær værdi, som bruger kan lide eller ikke, baseret på den boolske kan vi anbefale produkt til en kunde

Samarbejdsfiltrering:

samarbejdsfiltreringsmodeller, der er baseret på antagelsen om, at folk kan lide ting, der ligner andre ting, de kan lide, og ting, der kan lide af andre mennesker med lignende smag.

samarbejdsfiltreringsmodeller er to typer,

I. Nærmeste nabo

II.Matrix-faktorisering

lad mig forklare hver metode til samarbejdsfiltrering i et nøddeskal,

Nærmeste nabosamarbejdsfiltrering:

I denne type anbefalingssystemer anbefales baseret på nærmeste naboer, nærmeste nabo-tilgang, der bruges til at finde ud af enten lignende brugere eller lignende produkter,

Det kan ses på to måder,

i.Brugerbaseret filtrering

ii.Itembaseret filtrering

Nærmeste nabosamarbejdsfiltrering

Over billedskilde fra https://medium.com/@cfpinela/recommender-systems-user-based-and-item-based-collaborative-filtering-5d5f375a127f

Brugerbaseret samarbejdsfiltrering:

Find de brugere, der har lignende smag af produkter som den aktuelle bruger, ligheden er baseret på brugerens købsadfærd, så baseret på naboens købsadfærd kan vi anbefale varer til den aktuelle bruger.

Produktbaseret samarbejdsfiltrering:

Anbefal varer, der ligner den vare, brugeren har købt, ligheden er baseret på co-forekomster af køb

Element A og B blev købt af begge brugere X og Y, da begge er ens.

Matrixfaktorisering:

Det er dybest set modelbaseret samarbejdsfiltrering og matrixfaktorisering er den vigtige teknik i anbefalingssystemet.

lad mig give en abstraktiv forklaring på matrixfaktorisering,

Når en bruger giver feed tilbage til en bestemt film, de så (siger, at de kan bedømme fra en til fem), kan denne samling af feedback repræsenteres i en form for en matrix. Hvor hver række repræsenterer hver bruger, mens hver kolonne repræsenterer forskellige film. Naturligvis er matrixen sparsom, da ikke alle vil se alle film, (vi har alle forskellige smag, når det kommer til film).

Billedkilde fra https://www.youtube.com/watch?v=ZspR5PZemcs

yderligere information om matrixfaktorisering henvises venligst til http://www.quuxlabs.com/blog/2010/09/matrix-factorization-a-simple-tutorial-and-implementation-in-python/

Hybridanbefalingssystemer:

Hybridanbefalningssystemer kombinerer samarbejde, og indholdsbaseret anbefaling kan være mere effektiv. Hybride tilgange kan implementeres ved at gøre indholdsbaserede og samarbejdsbaserede forudsigelser separat og derefter kombinere dem.

kildekode: https://www.kaggle.com/rounakbanik/movie-recommender-systems

prebuilt reccomendation-tjenester også tilgængelige som, Recombee https://www.recombee.com/

Tak for læsning !.

Referencer:

https://www.youtube.com/watch?v=39vJRxIPSxw.

https://www.youtube.com/watch?v=ZspR5PZemcs