Nozioni di base sui filtri collaborativi basati sull'utente in Predictive Analysis - dummies

Con un approccio basato sull'utente per il filtraggio collaborativo nell'analisi predittiva, il sistema può calcolare la somiglianza tra coppie di utenti utilizzando la formula di similarità del coseno, una tecnica molto simile all'approccio basato sull'elemento. Solitamente tali calcoli richiedono più tempo e potrebbero dover essere calcolati più spesso di quelli utilizzati nell'approccio basato sugli articoli. Questo perché

avresti molti più utenti degli oggetti (idealmente comunque).
Ci si aspetterebbe che gli elementi cambino meno frequentemente degli utenti.
Con più utenti e meno modifiche negli articoli offerti, è possibile utilizzare molti più attributi oltre alla cronologia degli acquisti per il calcolo della similarità degli utenti.

Un sistema basato sull'utente può anche utilizzare algoritmi di apprendimento automatico per raggruppare tutti gli utenti che hanno dimostrato di avere gli stessi gusti. Il sistema crea quartieri di utenti che hanno profili, modelli di acquisto o schemi di valutazione simili. Se una persona in un quartiere compra e apprezza un oggetto, il sistema recommender può raccomandare l'oggetto a chiunque altro nel quartiere.

Come nel caso del filtraggio collaborativo basato sull'elemento, l'approccio basato sull'utente richiede che dati sufficienti su ciascun utente siano efficaci. Prima che il sistema possa formulare raccomandazioni, deve creare un profilo utente, quindi richiede anche che l'utente crei un account ed effettui l'accesso (o memorizzi le informazioni sulla sessione nel browser tramite i cookie) durante la visualizzazione di un sito web.

Inizialmente il sistema può chiedere esplicitamente all'utente di creare un profilo, arricchire il profilo facendo domande e quindi ottimizzare i suoi suggerimenti dopo che i dati di acquisto dell'utente sono stati accumulati.

Netflix è un esempio di costruzione rapida di un profilo per ogni cliente. Ecco la procedura generale:

Netflix invita i suoi clienti a impostare le code dei film che vorrebbero vedere.
I film scelti vengono analizzati per conoscere i gusti del cliente nei film.
Il modello predittivo consiglia di guardare più film per il cliente, in base ai filmati già in coda.

Una matrice campione di clienti e articoli acquistati - è un esempio di filtraggio collaborativo basato sull'utente. Per semplicità, utilizza una regola in base alla quale un utente viene creato dagli utenti che hanno acquistato almeno due elementi in comune.

Cliente	Voce 1	Voce 2	Voce 3	Voce 4
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	Sono formati tre quartieri utente: N1, N2 e N3.Ogni utente nei quartieri N1 e N2 ha acquistato almeno 2 oggetti in comune con qualcun altro nello stesso quartiere. N3 sono utenti che non hanno ancora soddisfatto i criteri e non riceveranno consigli finché non acquisteranno altri articoli per soddisfare i criteri.
Ecco un esempio di come si può usare questo sistema di raccomandazione:	Offline

tramite una campagna di marketing via e-mail o se l'utente si trova sul sito web mentre si è connessi. Il sistema può inviare annunci di marketing o formulare raccomandazioni sul sito Web come segue:

Articolo 3 al Cliente B

Articolo 4 al Cliente C Articolo 1 al Cliente E

Articolo 3 al Cliente F
Articolo 2 al Cliente G
Indeterminato articolo per i clienti A e D
Idealmente dovresti avere più oggetti di sei. E ci dovrebbero sempre essere alcuni articoli nel quartiere di un cliente che il cliente non ha ancora acquistato.
Elemento indeterminato per i clienti H e I
In questo caso, non vi sono dati sufficienti per servire da base per una raccomandazione.

Una differenza molto importante è che poiché ogni cliente appartiene a un gruppo, qualsiasi acquisto futuro che un membro farà sarà raccomandato agli altri membri del gruppo fino a quando il filtro non sarà riqualificato. Quindi i clienti A e D inizieranno a ricevere raccomandazioni molto rapidamente poiché appartengono già a un quartiere e sicuramente gli altri vicini compreranno qualcosa presto.
Ad esempio: se il cliente B acquista l'articolo 6, il sistema recommender raccomanderà l'articolo 6 a tutti in N1 (clienti A, B, E, F e G).

Il cliente F può potenzialmente appartenere a entrambi i quartieri N1 o N2 a seconda di come viene implementato l'algoritmo di filtraggio collaborativo.

I clienti H e I forniscono esempi del problema dell'avviamento a freddo

Il cliente non ha generato abbastanza dati da essere raggruppati in un ambiente utente. In assenza di un profilo utente, un nuovo cliente con poca o nessuna cronologia degli acquisti o che acquista solo articoli oscuri, porrà sempre il problema dell'avviamento a freddo del sistema, indipendentemente dall'approccio di filtro collaborativo utilizzato.

Cliente I illustra un aspetto del problema dell'avviamento a freddo che è unico per l'approccio basato sull'utente. L'approccio basato sull'elemento inizierebbe a trovare altri articoli simili all'oggetto acquistato dal cliente; quindi, se altri utenti iniziano ad acquistare l'Articolo 6, il sistema può iniziare a formulare raccomandazioni. Non è necessario effettuare ulteriori acquisti da parte dell'utente; l'approccio basato sull'elemento può iniziare a consigliare. In un sistema basato sull'utente, tuttavia, il Cliente I deve effettuare acquisti aggiuntivi per appartenere a un quartiere di utenti; il sistema non può ancora dare consigli. Va bene, c'è un'ipotesi al lavoro in questi semplici esempi - vale a dire, che il cliente non solo ha acquistato l'oggetto ma lo ha apprezzato abbastanza per fare acquisti simili. Cosa succede se al cliente non piace l'articolo? Il sistema ha bisogno, per lo meno, di produrre una precisione migliore nelle sue raccomandazioni.

È possibile aggiungere un criterio al sistema recommender per raggruppare le persone che hanno assegnato valutazioni simili agli articoli acquistati.Se il sistema trova clienti a cui piacciono e non piacciono gli stessi articoli, allora l'assunzione di alta precisione è valida. In altre parole, c'è un'alta probabilità che i clienti condividano gli stessi gusti.