Video: Thống kê mô tả-Cách chạy thống kê mô tả trong SPSS( Nhóm MBA thực hiện) 2025
Với cách tiếp cận dựa trên người dùng để lọc cộng tác trong phân tích dự đoán, hệ thống có thể tính toán sự giống nhau giữa các cặp người dùng bằng cách sử dụng công thức tương tự cosin, một kỹ thuật giống như cách tiếp cận dựa trên item. Thông thường tính toán như vậy mất nhiều thời gian hơn để làm, và có thể cần phải được tính toán thường xuyên hơn, so với các phương pháp được sử dụng trong cách tiếp cận dựa trên item. Đó là vì
-
Bạn sẽ có nhiều người dùng hơn các mục (lý tưởng anyway).
-
Bạn có thể mong đợi các mặt hàng thay đổi ít thường xuyên hơn so với người dùng.
-
Với nhiều người dùng hơn và ít thay đổi hơn trong các mặt hàng được cung cấp, bạn có thể sử dụng nhiều thuộc tính hơn là chỉ mua lịch sử khi tính tương đương người dùng.
Một hệ thống dựa trên người dùng cũng có thể sử dụng các thuật toán học máy để nhóm tất cả người dùng đã cho thấy rằng họ có cùng khẩu vị. Hệ thống này xây dựng các khu phố của người dùng có cấu hình tương tự, mẫu mua hàng hoặc các mẫu xếp hạng. Nếu một người trong một khu phố mua và thích một vật phẩm, hệ thống người giới thiệu có thể đề nghị món hàng đó cho mọi người trong khu phố.
Cũng giống như lọc nội dung dựa trên mục, cách tiếp cận dựa trên người dùng đòi hỏi dữ liệu đầy đủ về mỗi người dùng để có hiệu quả. Trước khi hệ thống có thể đưa ra đề xuất, nó phải tạo một hồ sơ người dùng - vì vậy nó cũng yêu cầu người dùng tạo một tài khoản và đăng nhập (hoặc lưu trữ thông tin phiên làm việc trong trình duyệt thông qua cookie) trong khi xem một trang web.
Ban đầu hệ thống có thể yêu cầu người dùng tạo một hồ sơ, tạo ra hồ sơ bằng cách đặt câu hỏi và sau đó tối ưu hóa các đề xuất của nó sau khi dữ liệu mua của người dùng đã tích lũy được.
Netflix là một ví dụ về việc nhanh chóng xây dựng hồ sơ cho mỗi khách hàng. Dưới đây là thủ tục chung:
-
Netflix mời khách hàng của mình thiết lập hàng đợi các bộ phim mà họ muốn xem.
-
Các bộ phim đã chọn được phân tích để tìm hiểu về thị hiếu của khách hàng trong phim.
-
Mô hình tiên đoán đề xuất nhiều phim hơn cho khách hàng xem, dựa trên các bộ phim đã có trong hàng đợi.
Ma trận mẫu của khách hàng và các mặt hàng đã mua của họ - là một ví dụ về lọc cộng tác dựa trên người dùng. Để đơn giản, hãy sử dụng quy tắc mà một khu vực người dùng được tạo ra từ những người dùng đã mua ít nhất hai điểm chung.
| Khách hàng | Mục 1 | Mục 2 | Mục 3 | Mục 4 | Mục 5 | Mục 6 |
|---|---|---|---|---|---|---|
| A - N1 | X | X > X | B - N1 | |||
| X | X | C - N2 | ||||
| X | X | D - N2 | ||||
| X | X | X > X | X | |||
| X | F - N1 | X | ||||
| X | X | X | G - N1 | X | ||
| X > H - N3 | X | I - N3 | ||||
| X | Có ba khu vực người sử dụng được hình thành: N1, N2, và N3.Mỗi người dùng trong các khu phố N1 và N2 đã mua ít nhất 2 mặt hàng cùng với người khác trong cùng khu phố. N3 là những người dùng chưa đáp ứng các tiêu chí và sẽ không nhận được khuyến nghị cho đến khi họ mua các mặt hàng khác để đáp ứng các tiêu chí. | |||||
| Dưới đây là một ví dụ về cách bạn có thể sử dụng hệ thống recommender này: | Offline |
thông qua chiến dịch tiếp thị qua e-mail hoặc nếu người dùng ở trên trang web khi đăng nhập Hệ thống có thể gửi quảng cáo tiếp thị hoặc đưa ra khuyến nghị trên trang web như sau:
Khoản 3 cho Khách hàng B
Khoản 4 cho Khách hàng C Khoản 1 cho Khách hàng E
-
Khoản 3 cho Khách hàng F
-
Khoản 2 cho Khách Hàng G
-
Chưa xác định mục cho khách hàng A và D
-
Lý tưởng là bạn nên có nhiều mặt hàng hơn sáu. Và luôn luôn phải có một số mặt hàng trong khu phố của khách hàng mà khách hàng chưa mua.
-
Mục không xác định đối với khách hàng H và I
-
Trong trường hợp này, không có đủ số liệu để làm cơ sở cho một khuyến nghị.
Một sự khác biệt rất quan trọng là vì mỗi khách hàng thuộc về một nhóm, bất kỳ mua hàng nào trong tương lai mà một thành viên sẽ thực hiện sẽ được đề nghị cho các thành viên khác trong nhóm cho đến khi bộ lọc được đào tạo lại. Vì vậy, khách hàng A và D sẽ bắt đầu nhận được đề xuất rất nhanh vì họ đã thuộc về một khu phố và chắc chắn các nước láng giềng khác sẽ mua thứ gì đó sớm.
-
Ví dụ: nếu Khách hàng B mua Khoản 6, thì hệ thống Người giới thiệu sẽ đề xuất mục 6 cho tất cả mọi người trong N1 (Khách hàng A, B, E, F và G).
Khách hàng F có thể thuộc về một trong hai khu phố N1 hoặc N2 tùy thuộc vào cách thức thực hiện thuật toán lọc cộng tác.
Khách hàng H và tôi cung cấp các ví dụ về sự cố bắt đầu lạnh
:
Khách hàng chỉ cần không tạo đủ dữ liệu để được nhóm vào một khu vực của người dùng. Trong trường hợp không có hồ sơ người dùng, khách hàng mới có lịch sử mua hàng rất ít hoặc không mua hoặc chỉ mua những thứ không rõ ràng sẽ luôn gây ra vấn đề bắt đầu lạnh cho hệ thống, bất kể phương pháp tiếp cận lọc cộng tác nào đang được sử dụng.
Khách hàng Tôi mô tả một khía cạnh của vấn đề bắt đầu lạnh, nó là duy nhất cho cách tiếp cận dựa trên người dùng. Cách tiếp cận dựa trên mặt hàng sẽ bắt đầu tìm kiếm các mặt hàng tương tự như mặt hàng mà khách hàng mua; sau đó, nếu người dùng khác bắt đầu mua Khoản 6, hệ thống có thể bắt đầu đưa ra khuyến nghị. Không cần người mua mua thêm; cách tiếp cận dựa trên mặt hàng có thể bắt đầu được giới thiệu. Tuy nhiên, trong một hệ thống dựa trên người dùng, Khách hàng tôi phải mua hàng bổ sung để thuộc về một khu phố của người sử dụng; hệ thống không thể đưa ra bất kỳ đề xuất nào được nêu ra. Được rồi, có một giả định tại nơi làm việc trong những ví dụ đơn giản này - cụ thể là khách hàng không chỉ mua mặt hàng mà còn thích nó để mua hàng tương tự. Điều gì sẽ xảy ra nếu khách hàng không thích sản phẩm? Hệ thống cần ít nhất để tạo ra độ chính xác cao hơn trong các khuyến nghị của nó.
Bạn có thể thêm tiêu chí vào hệ thống người giới thiệu để nhóm những người có xếp hạng tương tự với các mặt hàng họ mua.Nếu hệ thống tìm thấy khách hàng thích và không thích các mặt hàng tương tự thì giả thiết độ chính xác cao là hợp lệ. Nói cách khác, có một xác suất cao rằng khách hàng chia sẻ cùng thị hiếu.
