Блог

Oct 02, 2023

Что такое механизм рекомендаций?

Механизм рекомендаций или рекомендательная система — это инструмент фильтрации данных, который предоставляет пользователям персонализированные предложения на основе их прошлого поведения и предпочтений. Использование алгоритмов машинного обучения

Механизм рекомендаций или рекомендательная система — это инструмент фильтрации данных, который предоставляет пользователям персонализированные предложения на основе их прошлого поведения и предпочтений. Используя алгоритмы машинного обучения и статистический анализ, он может предсказывать желания и потребности человека на основе генерируемых им данных, а также предлагать продукты, контент или информацию, которые они могут найти интересными или актуальными.

«Цель, — по словам Патрика Томпсона, директора по продуктам поставщика рекомендательных систем Amplitude, — состоит в том, чтобы достичь момента, когда вы будете рекомендовать правильный контент нужному человеку в нужное время, основываясь на его предыдущем путешествии. »

Механизм рекомендаций — это инструмент, который использует машинное обучение для обнаружения закономерностей в поведенческих данных человека (например, в истории посещений и прошлых покупках), чтобы предлагать конкретный контент, продукты или информацию, которые они могут найти интересными или актуальными.

Рекомендательные системы есть практически везде: от сервисов потокового видео до сайтов электронной коммерции. Некоторые знакомые примеры включают Netflix, который предлагает шоу и фильмы, которые могут понравиться пользователю на основе его истории просмотра, и Google, который использует историю посещений человека для ранжирования информации и прогнозирования того, что он может искать дальше.

В мире информационной перегрузки системы рекомендаций позволяют потребителям легко находить нужные им продукты и контент, а компаниям — создавать персонализированный опыт, который заставляет этих потребителей возвращаться.

Литература по теме: Для пользователей лучший искусственный интеллект означает больше персонализации

Проще говоря, рекомендательные системы собирают множество данных, а затем используют машинное обучение, чтобы рекомендовать «следующее лучшее действие», сказал Томпсон, и это может быть что угодно: от покупки продукта до нажатия на видео.

По словам Евгения Медведя, разработчика искусственного интеллекта в поставщике рекомендательных систем InData Labs, в системе рекомендаций действуют две основные категории — пользователи и элементы. «Сама задача, — объяснил он, — заключается в ранжировании элементов для конкретного пользователя по вероятности взаимодействия».

Это осуществляется стандартным порядком операций, начиная со сбора данных.

Данные имеют решающее значение для работы механизмов рекомендаций. Информация о привычках просмотра, истории покупок и даже более личных данных, таких как пол и возраст, образуют строительные блоки, из которых извлекаются шаблоны. Чем больше данных имеет доступ к системе рекомендаций, тем эффективнее она будет делать соответствующие предложения.

Эти данные обычно поступают в двух формах. Одними из них являются неявные данные, которые относятся к информации об истории поиска пользователя, кликах, покупках и других действиях; они собираются компанией каждый раз, когда человек использует их сайт. Другой — явные данные, которые охватывают вводимые пользователем данные, такие как предыдущие оценки, обзоры или комментарии. (Системы рекомендаций также используют данные о возрасте, поле и общих интересах человека, чтобы идентифицировать похожих клиентов.)

Сбор всех этих данных о клиентах необходим для создания системы рекомендаций.

Как только данные о клиентах собраны, их необходимо сохранить. Как и где они хранятся, зависит от типа собранных данных.

Помимо данных о пользователях, компании также хранят данные о товарах, которые они предоставляют, будь то обувь или телешоу. Это может быть что угодно: от цены до жанра и типа товара, и все это используется для определения сходства продуктов и предпочтений пользователей.

Затем система машинного обучения помещается поверх этих данных, детализирует их и анализирует.

Механизмы рекомендаций используют все виды алгоритмов для анализа данных, но наиболее распространенным из них является разложение по сингулярным значениям, или SVD. Это математический метод, который разбивает матрицу на три более мелкие матрицы, чтобы обнаружить закономерности и взаимосвязи в данных, а также определить силу этих закономерностей и взаимосвязей. Цель состоит в том, чтобы лучше понять основную структуру большого набора данных, чтобы можно было извлечь значимую информацию.