Рекомендаційні системи що це

Вище ми описали, що таке рекомендаційні системи, тепер докладніше розповімо про те, яке значення вони мають. Ці програми вдосконалили способи взаємодії між сайтом та відвідувачем, тому що замість того, щоб надавати статичну інформацію, користувач отримує інтерактивні можливості.

Рекомендації формуються окремо для кожної людини, спираючись на його попередні дії на конкретному веб-ресурсі або на основі минулої активності. Крім того, значення має і поведінку попередніх учасників процесу.

Далі ми надамо приклади рекомендаційних систем різних типів. Ось те, як виглядають рекомендації на відомому онлайн-гіпермаркеті Amazon.

Для інтернет-магазинів це в принципі важлива функція, а для таких великих каталогів типу Amazon - один з небагатьох способів якісно працювати. Спосіб рекомендації в даному випадку не є звичайною додатковою опцією, вона забезпечує зручність навігації користувача по веб-ресурсу. Якщо електронний каталог містить більше 20 000 найменувань продукції, орієнтація вже представляється непомірно важкої, що говорити, якщо товарів мільйони?

Нижче ми розглянемо кілька підходів до рекомендацій, класифікацію та алгоритми.

Рекомендаційні сервіси збирають різну інформацію про людину, використовуючи кілька методів, за якими і поділяють всі системи.

Отже, перший тип - явний збір даних. Як можна було здогадатися з назви, користувач сам надає необхідні для роботи матеріали. Наприклад, коли рекомендаційні системи Яндекс або інших пошукачів просять людини дати оцінки різних елементів, скласти список фаворитів певної сфери або ж відповісти на кілька запитань. Якщо ж людина відмовляється дати інформацію самостійно, актуальною буде наступна методика.

Існують також види рекомендаційних систем, які визначаються за підходами, які вони застосовують.

Перша базова методика називається коллаборатівной фільтрацією (collaborative filtering). Рекомендації з використанням даної методики видаються, грунтуючись на поведінкових характеристиках однієї людини або групи людей, останнім навіть є більш ефективним. У групи збираються люди, які схожі між собою по поведінці і характеристикам.

Наведемо приклад, щоб інформація сприймалася простіше. Створюється сайт, де аудиторії будуть рекомендуватися музичні твори. Як в даному випадку будуть працювати сервіси рекомендації на основі коллаборатівной методики? За таким принципом: за основу візьмуть одну спільноту, де учасники додають в плей-лист однакові по жанрової приналежності треки. Далі, визначаються найпопулярніші з усіх музичних творів і рекомендуються одному користувачеві з групи, який поки ще не слухав цю мелодію.

Виділяють також змішані підходи, відповідно до яких здійснюється розробка рекомендаційної системи.

Змішаний підхід - це поєднання коллаборатівной і контентної фільтрації. Як відомо, більше - краще, тому змішання цих двох методик збільшують ефективність систем рекомендації, а саме значно підвищують точність прогнозів для конкретних людей.

Нижче ми розглянемо алгоритми рекомендаційних систем, які використовуються для отримання коректних результатів.

кореляція Пірсона

Цей алгоритм дозволяє виділити загальні характеристики між декількома користувачами. Яким чином? За допомогою простої математики, а саме визначенням лінійної залежності між двома елементами. Важливий момент - така методика не підходить для спільноти людей.

кластеризація

Цей принцип роботи рекомендаційних систем ґрунтується на виділенні подібності між елементами (користувачами) шляхом обчислення їх близькості один одному в так званому просторі ознак. Ознаками виступають ті елементи, за якими сходяться інтереси певних учасників процесу (для музичних ресурсів це треки, для кіно-порталів - фільми). Схожі по характеристиках користувачі об'єднуються в так звані кластери.

Алгоритм спільної фільтрації

Жорстку кластеризацию можна замінити і іншим алгоритмом, який працює по досить складною формулою, і також як і всі попередні, ґрунтується на поведінці користувачів з його групи. Однак в цій методиці є кілька досить суттєвих мінусів. По-перше, новим або нетиповим користувачам (що не об'єднуються в групи) складно знайти рекомендації. По-друге, так званий «холодний старт», коли нові об'єкти не потрапляють в рекомендаційні системи.

Алгоритм фільтрації вмісту

Алгоритм, симетричний попереднього, але якщо в першому випадку ми відштовхувалися від припущення, що об'єкт сподобається користувачеві, тому що він подобається його «одногрупникам», то тут ми будемо рекомендувати на основі схожих об'єктів, які він вже зазначив для себе. І тут уже традиційно можна виділити кілька проблем. Той же «холодний старт» і те, що рекомендації часто повсякденні.

замість висновку

Отже, ми надали всю інформацію, яку повинен знати про рекомендаційних системах новачок або простий обиватель. Будемо відвертими, алгоритми становлять певну складність для непідготовленої людини, тому в цій статті немає математичних формул, хоча алгоритми грунтуються саме на них.

Високих вам конверсій!

Image Source: Irksome To Orcas

LPgenerator - професійна Landing Page платформа для збільшення продажів вашого бізнесу

пов'язані записи

УВАГА! Ви використовуєте застарілий браузер Internet Explorer

Даний сайт побудований на передових, сучасних технологіях і не підтримує Internet Explorer 6-ої і 7-ої версії.