Come utilizzare i filtri collaborativi basati su elementi nell'analisi predittiva - dummies

Uno dei sistemi di raccomandazione di Amazon per l'analisi predittiva filtraggio collaborativo basato sull'elemento - distribuzione di un enorme inventario di prodotti dal database aziendale quando un utente visualizza un singolo elemento sul sito Web. Sai che stai guardando un sistema di filtraggio collaborativo basato su oggetti (o, spesso, un sistema basato sui contenuti) se ti mostra dei consigli nella tua prima vista, anche se non hai creato un profilo.

Sembra magia, ma non lo è. Anche se il tuo profilo non è stato ancora creato (perché non sei loggato o non hai nessuna precedente cronologia del browser su quel sito) il sistema prende quello che equivale a una supposizione: basa la sua raccomandazione su l'elemento stesso e ciò che altri clienti hanno visualizzato o acquistato dopo (o prima) hanno acquistato quell'articolo. Quindi vedrai alcuni messaggi sullo schermo come

I clienti che hanno acquistato questo articolo hanno acquistato anche …
I clienti che hanno acquistato articoli nella cronologia recente hanno acquistato anche …
Quali altri articoli acquistano i clienti dopo aver visualizzato questo articolo?

In sostanza, la raccomandazione si basa sul modo in cui l'elemento attualmente visualizzato è simile ad altri elementi, in base alle azioni della comunità di utenti.

Quanto segue mostra una matrice campione di clienti e gli articoli acquistati. Verrà utilizzato come esempio di filtraggio collaborativo basato su elementi.

Cliente	Voce 1	Voce 2	Voce 3	Voce 4	Voce 5	Voce 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
						Osserviamo ora la similarità di un oggetto calcolata usando la formula di similarità del coseno. La formula per

somiglianza del coseno

è (A & middot; B) / (|| A || || B ||), dove A e B sono elementi da confrontare. Per leggere il seguente esempio e scoprire quanto siano simili un paio di elementi, basta individuare la cella in cui si intersecano i due elementi. Il numero sarà compreso tra 0 e 1. Il valore 1 indica che gli articoli sono perfettamente simili; 0 significa che non sono simili.

Elemento 6

0	0	0	0	Elemento 5	0. 26
0. 29	0. 52	0. 82	0	Elemento 4		0. 32
0. 35	0. 32	0. 82	0		Elemento 3	0. 40
0. 45	0. 32	0. 52		0	Elemento 2	0. 67
0. 45	0. 35		0. 29	0	Elemento 1	0. 67
0. 40		0. 32	0. 26	0	Voce 1	Voce 2
	Voce 3	Voce 4	Voce 5	Voce 6	Il sistema può fornire un elenco di raccomandazioni che sono sopra un un certo valore di somiglianza o può raccomandare il primo	n

numero di articoli.In questo scenario, puoi dire che qualsiasi valore maggiore o uguale a 0. 40 è simile; il sistema raccomanderà quegli articoli. Ad esempio, la somiglianza tra l'articolo 1 e l'articolo 2 è 0. 67. La somiglianza tra l'articolo 2 e l'articolo 1 è la stessa. Quindi è un'immagine speculare attraverso la diagonale da in basso a sinistra a in alto a destra. Puoi anche vedere che l'elemento 6 non è simile a nessun altro perché ha un valore di 0. Questa implementazione di un sistema di raccomandazione basato su oggetti è semplificata per illustrare come funziona. Per semplicità, usa un solo criterio per determinare la somiglianza dell'oggetto: se l'utente ha acquistato l'oggetto. Sistemi più complessi potrebbero essere dettagliati in dettaglio

Usare i profili creati dagli utenti che rappresentano i loro gusti

Factoring in quanto gli utenti piacciono (o prezzi elevati) un articolo

Pesando il numero di articoli acquistati dall'utente simile al potenziale suggerimento (i)
Fare ipotesi sul fatto che un utente apprezzi un articolo sulla base del fatto che l'utente abbia semplicemente visualizzato l'oggetto, anche se non è stato effettuato alcun acquisto
Ecco due modi comuni che potresti utilizzare questo sistema di raccomandazione:
Offline via una campagna di marketing via e-mail o se l'utente è sul sito web mentre si è loggato.

Il sistema potrebbe inviare annunci di marketing o fare questi consigli sul sito web:

Articolo 3 al Cliente B

Consigliato perché il Cliente B ha acquistato gli Articoli 1 e 2, ed entrambi gli articoli sono simili al Punto 3.
- Articolo 4, quindi Articolo 2, al Cliente C
  
  Consigliato perché il Cliente C ha acquistato gli Articoli 3 e 5 L'articolo 5 è simile al punto 4 (valore di similitudine: 0. 82). L'articolo 2 è simile all'articolo 3 (valore di similarità: 0. 45).
- Articolo 2 al cliente D
  
  Consigliato perché il cliente D ha acquistato gli articoli 3, 4 e 5. L'articolo 3 è simile all'articolo 2.
- Articolo 1 al cliente E
  
  Consigliato perché il cliente E ha acquistato articoli 2 e 3, entrambi simili al punto 1.
- Articolo 3 al cliente F
  
  Consigliato perché il cliente F ha acquistato gli articoli 1, 2, 4 e 5. Gli articoli 1, 2 e 5 sono simili all'articolo 3.
- Elemento 2 al cliente G
  
  Consigliato perché il cliente G ha acquistato gli articoli 1 e 3. Sono entrambi simili al punto 2.
- Articolo 2, quindi all'articolo 3, al cliente H
  
  Consigliato perché il cliente H acquistato Articolo 1. L'articolo 1 è simile agli articoli 2 e 3.
- Elemento indeterminato al Cliente A
  
  Idealmente, dovresti avere molti più oggetti e utenti. E ci dovrebbero essere alcuni articoli acquistati da un cliente simili ad altri articoli che lui o lei non ha ancora acquistato.
- Elemento indeterminato al Cliente I
  
  In questo caso, i dati non sono sufficienti per servire da base per una raccomandazione. Questo è un esempio del problema dell'avviamento a freddo.
- Online tramite una visualizzazione di pagina mentre l'utente non ha effettuato l'accesso.