Святкові магазини Шопінг Smart з Рекомендацією двигуна Amazon
На Різдво багато хто з нас бореться з вибором найкращого подарунка для наших близьких. Полювання на Різдво може вимагати днів планування, іноді тижнів. Крім своєї певної веселої та веселої частини, Різдвяні покупки можуть бути трудомістким і напруженим досвідом.
На щастя, в епоху передових технологій існують вільно доступні інструменти, які можуть зробити процес покупки набагато ефективнішим і продуктивнішим. У цій публікації я покажу вам, як один з найбільших роздрібних сайтів у світі, Amazon.com може допомогти вам знайти найкращі подарунки для ваших друзів і родини у розумні строки за допомогою свого розумного двигуна рекомендацій.
Персоналізований користувальницький досвід
Найбільш успішні веб-сайти в світі, такі як Amazon, Facebook і Youtube, настільки популярні, тому що вони пропонують індивідуальний досвід для всіх.
Персоналізація користувальницького досвіду в основному означає, що компанії спостерігати за їхніми користувачами, поки вони переміщуються по їхньому сайту і виконують різні дії на ньому. Вони збирають дані в акуратні бази даних і аналізують їх.
Хіба це не шкідливо для конфіденційності? З певної точки зору, так, це так; ці компанії можуть більше знати про нас, ніж наші найближчі друзі або навіть самі. З іншого боку, вони пропонують нам послугу, яка може полегшити наше життя, і наші рішення краще інформовані.
Якщо ми подивимося на це з точки зору транзакції, ми "платимо" за покращений досвід і комфорт користувачів, з частиною нашої конфіденційності.
Звичайно, юридичні битви між постачальниками онлайн-контенту та владою постійно, просто подумайте про те, що не так любить закон про куки в ЄС, але, як відмовитися від нього, все менше і менше реалістичний варіант для тих, хто хоче насолоджуватися життям 21 століття, це може бути корисно зрозуміти, як персоналізовані рекомендації працюють за лаштунками.
Технологія за рекомендаціями Amazon
Переглядаючи веб-сайт Amazon, ми можемо знайти персональні рекомендації в будь-якому місці під заголовками “Нове для вас”, “Рекомендації для вас у Kindle Store”, “Рекомендовані рекомендації”, “Клієнти, які купили цей товар, також купили”, і багато інших.
Рекомендації були інтегровані в кожну окрему частину процесу закупівель з. \ t пошук продукту до каси. Індивідуальні рекомендації забезпечуються інтелектуальним механізмом рекомендацій, який знає користувачів краще і краще, коли вони використовують сайт.
Щоб краще зрозуміти системи рекомендацій, варто подумати про них як про розширені версії пошукових систем. Коли ми шукаємо елемент на Amazon, він не тільки повертає результати, але й робить прогнози щодо продуктів, які нам можуть знадобитися, і показує свої рекомендації для нас.
Системи, що рекомендують, використовують різні види алгоритмів машинного навчання, і вони стали комерційно реалізованими з еволюцією технології великих даних. Рекомендуються двигуни продукти, керовані даними, як їм необхідно знайти найбільш релевантний невеликий набір даних у величезному океані великих даних.
Обчислювальною задачею, яку необхідно розв'язати рекомендаційними системами, є комбінація прогностичний аналіз і фільтрація
Вони використовують один з наступних підходів:
(1) Спільна фільтрація, що шукає схожість між ними дані спільного використання такі як покупки, рейтинги, лайки, анонси, голоси в:
- або матриця користувача, у яких генеруються рекомендації на основі вибору інших клієнтів, яким подобалися, купували, оцінювали і т.д.,
- або матриця продукту-продукту, де двигун з рекомендаціями повертає продукти, схожі за покупками, лайками, рейтингами та ін. раніше
Амазонка використовує останню, оскільки вона більш просунута (детальніше див. У наступному розділі).
(2) Фільтрування на основі вмісту, що робить прогнози на основі схожості об'єктивних характеристик таких продуктів, як специфіка, описи, автори, а також на попередні уподобання користувача (що тут не порівнюються з уподобаннями інших користувачів).
(3) Гібридна фільтрація, який використовує певну комбінацію спільної та змістової фільтрації.
Матриця продукту-продукту
Традиційний спосіб спільної фільтрації використовує матрицю користувача, а над певною кількістю даних - серйозні проблеми з продуктивністю.
Щоб відповідати налаштуванням, рейтингам, покупкам усіх користувачів і знайдіть тих, хто найбільш близький до активного користувача, рекомендації двигун повинен аналізувати кожен користувач у базі даних і зіставляти їх з поточним.
Якщо ми думаємо про розмір Amazon, ясно, що цей тип фільтрації для них неможливий, тому інженери Amazon розробили оновлену версію попереднього методу і назвали його Спільна фільтрація спільних елементів.
Спільне фільтрування з одного елемента до іншого зберігається спільний успіх як тест замість об'єктивних якостей продукту (див. вищезгадану фільтрацію на основі вмісту), але запускає запити в матриці продукту-продукту, що означає, що він не порівнює користувачів, замість цього він порівнює продукти.
Механізм рекомендацій розглядає продукти, які ми придбали, оцінили, розмістили в нашому списку побажань, прокоментували і т.д., а потім шукають інші елементи бази даних, які мають подібні ставки та покупки, їх агрегує, а потім повертає найкращі збіги як рекомендації.
Як отримати кращі рекомендації
Повертаючись до різдвяних покупок, можна навчити двигун рекомендацій Amazon, щоб отримати кращі результати. Якщо ви маєте лише неясне уявлення про те, що купувати для близького, ви не повинні робити нічого іншого, крім залишення слідів на веб-сайті під час перегляду.
Заради цього посту я сам спробував це зробити.
Моїм відправною точкою було те, що я хотів знайти невелику офісну меблі, але не знав, що саме. Тому я ввів деякі пов'язані ключові слова в панель пошуку і почав переглядати результати. Я поставив пункти я любив у мій wishlist, оцінював деякі огляди як “Корисно”, кинув деякі офісні меблі в свій кошик.
Якщо я коли-небудь купував аналогічний елемент на Amazon, було б дуже корисно написати відгук про нього, але насправді я не міг це зробити (ви можете писати лише відгуки про продукти, які ви вже купили).
Через 10-15 хвилин я зупинився, і натиснув на мої сторінки Рекомендації (які можна знайти в розділі “[Ваше ім'я] Amazon” пункту меню). Перед експериментом я мав тільки книги на цій сторінці, оскільки це те, що я зазвичай купую на Amazon. Після великого пошуку, книги зникли і були замінені на прохолодну офісну меблі, як ви можете побачити нижче.
Налаштування двигуна
Можна додатково навчати двигун рекомендацій, як показано нижче, за кожною рекомендацією є “Навіщо рекомендувати?” посилання. Серед моїх рекомендацій можна побачити вкладиш для сміття (останній пункт), який не є продуктом офісних меблів, і той, який я не хочу купувати на Різдво.
Тож давайте подивимося, чому він тут.
Після натискання на посилання, Amazon повідомляє мені, що це було рекомендовано, тому що я помістив певний офісний комп'ютерний стілець у свій кошик. Ну, це цікаве з'єднання, але я все ще не потребую цього.
У мене є два варіанти тут, я можу або відзначити “Не зацікавлений” поруч із вкладишем для сміття або “Не використовуйте для рекомендацій” поруч з офісним кріслом. Я відмічаю “Не зацікавлений” прапорець.
І в цей момент лайнер для сміття зник, замінений іншим рекомендованим продуктом, що означає, що я на крок ближче до ідеального подарунка.
Шкода, якщо мені коли-небудь знадобиться цей точний бен-лайнер у майбутньому. Зачекайте. Я знайшов рішення для цього. Під “Удосконалюйте свої рекомендації” пункту меню, я можу редагувати елементи, які я позначив “Не зацікавлений” етикетці
Коли я знайшов собі уявне полювання на подарунок, я можу просто зняти галочку з продуктів, які я хочу побачити серед своїх рекомендацій у майбутньому.
