Nozioni di base di filtri predittivi basati sui contenuti - dummies

Content-based sistemi di raccomandazione predittiva analytics per lo più corrispondono a caratteristiche (parole chiave taggate) tra oggetti simili e il profilo dell'utente per formulare raccomandazioni. Quando un utente acquista un articolo con caratteristiche taggate, gli articoli con caratteristiche corrispondenti a quelli dell'articolo originale saranno consigliati. Più le caratteristiche corrispondono, maggiore è la probabilità che l'utente apprezzerà la raccomandazione. Questo grado di probabilità è chiamato precisione.

Nozioni di base sui tag per descrivere gli articoli

In generale, la società che esegue la vendita (o il produttore) di solito etichetta i propri articoli con parole chiave. Nel sito web di Amazon, tuttavia, è abbastanza tipico non vedere mai i tag per tutti gli oggetti acquistati o visualizzati e nemmeno chiedere di taggare un oggetto. I clienti possono rivedere gli articoli che hanno acquistato, ma non è lo stesso del tagging.

La codifica degli oggetti può rappresentare una sfida su scala per un negozio come Amazon che ha così tanti articoli. Inoltre, alcuni attributi possono essere soggettivi e potrebbero essere taggati erroneamente, a seconda di chi li tagga. Una soluzione che risolve il problema del ridimensionamento è consentire ai clienti o al pubblico di taggare gli articoli.

Per mantenere i tag gestibili e precisi, il sito Web può fornire una serie accettabile di tag. Solo quando un numero appropriato di utenti accetta (ovvero utilizza lo stesso tag per descrivere un articolo), verrà utilizzato il tag concordato per descrivere l'oggetto.

I tag basati sugli utenti, tuttavia, presentano altri problemi per un sistema di filtraggio basato sul contenuto (e filtro collaborativo):

• Credibilità: Non tutti i clienti dicono la verità (soprattutto online) e gli utenti che hanno solo una piccola cronologia può distorcere i dati. Inoltre, alcuni venditori potrebbero dare (o incoraggiare altri a dare) valutazioni positive ai propri prodotti, fornendo al contempo valutazioni negative ai prodotti della concorrenza.

• Sparsità: Non tutti gli articoli saranno classificati o avranno sufficienti valutazioni per produrre dati utili.

• Incoerenza: Non tutti gli utenti usano le stesse parole chiave per taggare un oggetto, anche se il significato potrebbe essere lo stesso. Inoltre, alcuni attributi possono essere soggettivi. Ad esempio, uno spettatore di un film potrebbe considerarlo breve mentre un altro dice che è troppo lungo.

Gli attributi richiedono definizioni chiare. Un attributo con pochi limiti è difficile da valutare; imporre troppe regole su un attributo può richiedere agli utenti di fare troppo lavoro, il che li scoraggerà dall'etichettare gli oggetti.

La codifica della maggior parte degli articoli in un catalogo prodotti può aiutare a risolvere il problema dell'avviamento a freddo che affligge il filtraggio collaborativo.Per un po ', tuttavia, la precisione delle raccomandazioni del sistema sarà bassa fino a quando non crea o ottiene un profilo utente.

Ecco una matrice campione di clienti e dei loro articoli acquistati, mostra un esempio di filtraggio basato sul contenuto.

Elementi	Caratteristica 1	Caratteristica 2	Caratteristica 3	Caratteristica 4	Caratteristica 5
Elemento 1	X	X
Articolo 2	X	X
Elemento 3	X	X	X
Elemento 4	X	X	X
Elemento 5	X > X	X	Qui, se un utente apprezza la Caratteristica 2 - e ciò è registrato nel suo profilo - il sistema raccomanderà tutti gli elementi che contengono la Caratteristica 2: Articolo 1, Articolo 2 e Articolo 4. > Questo approccio funziona anche se l'utente non ha mai acquistato o recensito un articolo. Il sistema guarderà solo nel database del prodotto per qualsiasi elemento che è stato taggato con Feature 2. Se (ad esempio) un utente che sta cercando film con Audrey Hepburn - e tale preferenza appare nel profilo dell'utente - il sistema consiglierà tutti i film che presentano Audrey Hepburn a questo utente.

Questo esempio, tuttavia, espone rapidamente una limitazione della tecnica di filtraggio basata sul contenuto: l'utente probabilmente già conosce tutti i film in cui è presente Audrey Hepburn o può facilmente scoprirlo, quindi, dal punto di vista dell'utente, il sistema non ha raccomandato nulla di nuovo o di valore.

Come migliorare la precisione con feedback costante

Un modo per migliorare la precisione delle raccomandazioni del sistema è chiedere ai clienti feedback quando possibile. La raccolta del feedback dei clienti può essere effettuata in molti modi diversi, attraverso più canali. Alcune aziende chiedono al cliente di valutare un articolo o un servizio dopo l'acquisto. Altri sistemi forniscono link in stile social-media in modo che i clienti possano "piacere" o "non gradire" un prodotto. Interazione costante tra

Come misurare l'efficacia delle raccomandazioni di sistema

Il successo delle raccomandazioni di un sistema dipende da quanto soddisfa due criteri:

precisione

(pensateci come un insieme di corrispondenze perfette - di solito un piccolo set) e richiama (pensatelo come un insieme di possibili corrispondenze - di solito un set più grande). Ecco uno sguardo più da vicino: Precisione misura la precisione della raccomandazione del sistema. La precisione è difficile da misurare perché può essere soggettiva e difficile da quantificare. Ad esempio, quando un utente visita per la prima volta il sito di Amazon, Amazon può sapere con certezza se i suoi consigli sono mirati?

• Alcune raccomandazioni potrebbero essere collegate agli interessi del cliente ma il cliente potrebbe non acquistare ancora. La massima fiducia nel fatto che una raccomandazione sia precisa deriva da prove chiare: il cliente acquista l'articolo. In alternativa, il sistema può chiedere esplicitamente all'utente di valutare le sue raccomandazioni. Recall

  misura l'insieme di possibili buoni consigli che il tuo sistema ha in mente. Pensa al richiamo come a un inventario di possibili raccomandazioni, ma non tutte sono raccomandazioni perfette. Esiste generalmente una relazione inversa con precisione e richiamo. Cioè, quando il richiamo sale, la precisione scende e viceversa.

• Il sistema ideale avrebbe sia alta precisione che richiamo elevato. Ma realisticamente, il miglior risultato è quello di raggiungere un delicato equilibrio tra i due. Enfatizzando la precisione o il richiamo dipende davvero dal problema che stai cercando di risolvere.