Cách sử dụng các bộ lọc cộng tác theo mặt hàng trong phân tích tiên đoán - những con voi

Một trong những hệ thống recommender của Amazon để sử dụng phân tích tiên đoán lọc nội dung dựa trên mục - đưa ra một danh mục sản phẩm lớn từ cơ sở dữ liệu công ty khi người dùng xem một mục trên trang web. Bạn biết rằng bạn đang xem xét một hệ thống lọc cộng tác dựa trên mục (hoặc thường là một hệ thống dựa trên nội dung) nếu nó cho bạn thấy các đề xuất ở chế độ xem đầu tiên của bạn, ngay cả khi bạn chưa tạo một hồ sơ.

Có vẻ như là phép thuật, nhưng nó không phải. Mặc dù hồ sơ của bạn chưa được tạo ra (vì bạn chưa đăng nhập hoặc bạn chưa có lịch sử trình duyệt trước đó trên trang web đó) hệ thống phải mất một khoản tiền để đoán: nó căn cứ vào đề xuất của nó trên mục bản thân và những gì khách hàng khác đã xem hoặc mua sau (hoặc trước) họ mua mặt hàng đó. Vì vậy, bạn sẽ thấy một số thông báo trên màn hình như

Khách hàng mua sản phẩm trong lịch sử gần đây của bạn cũng đã mua …

Các mặt hàng khác mà khách hàng mua sau khi xem mục này?

Về cơ bản, đề xuất dựa trên tương tự mục được xem hiện tại là các mục khác dựa trên hành động của cộng đồng người dùng.

Sau đây cho thấy một mẫu ma trận của khách hàng và các mặt hàng họ mua. Nó sẽ được sử dụng như một ví dụ về lọc cộng tác theo mục.

khoản 2

khoản 3	khoản 4	khoản 5	khoản 6	A	X > X	X
B	X	X	C
X	X	D
X			X		X
			X	X	F
X		X	X
X	G	X		X	H
X > I	X
Bây giờ chúng ta hãy nhìn vào sự tương tự mục được tính bằng cách sử dụng công thức tương tự cosin. Công thức cho	tương tự cosin
là (A & middot; B) / (|| A || || B ||), trong đó A và B là các mục để so sánh. Để đọc ví dụ sau và tìm ra cách tương ứng một cặp các mục, chỉ cần xác định vị trí ô mà hai mặt cắt nhau. Số sẽ nằm trong khoảng từ 0 đến 1. Giá trị 1 có nghĩa là các mục tương đối giống nhau; 0 có nghĩa là chúng không giống nhau.

Khoản 6

0 0 0

0

0	Khoản 5	0. 26	0. 29	0. 52	0. 82
0	Mục 4	0. 32	0. 35	0. 32		0. 82
0	Khoản 3	0. 40	0. 45		0. 32	0. 52
0	Mục 2	0. 67		0. 45	0. 35	0. 29
0	Mục 1		0. 67	0. 40	0. 32	0. 26
0		Khoản 1	Khoản 2	Khoản 3	Khoản 4	Khoản 5
	Khoản 6	Hệ thống có thể cung cấp một danh sách các khuyến nghị ở trên giá trị tương tự nhất định hoặc có thể đề xuất số lượng hàng	n	hàng đầu.Trong kịch bản này, bạn có thể nói rằng bất kỳ giá trị lớn hơn hoặc bằng 0. 40 là tương tự; hệ thống sẽ đề nghị các mặt hàng đó.	Chẳng hạn, sự tương tự giữa khoản 1 và khoản 2 là 0. 67. Tương tự giữa khoản 2 và khoản 1 giống nhau. Vì vậy, nó là một hình ảnh phản chiếu qua đường chéo từ trái dưới lên trên bên phải. Bạn cũng có thể thấy rằng mục 6 không giống với bất kỳ mục nào khác bởi vì nó có giá trị là 0.	Sự thực hiện của một hệ thống giới thiệu dựa trên mục được đơn giản hóa để minh hoạ nó hoạt động như thế nào. Để đơn giản, chỉ sử dụng một tiêu chí để xác định tính tương tự của mặt hàng: liệu người dùng đã mua mặt hàng đó hay không. Các hệ thống phức tạp hơn có thể đi vào chi tiết hơn bằng cách sử dụng các cấu hình được tạo bởi người dùng đại diện cho thị hiếu của họ

Bao thanh toán cho người sử dụng như thế nào (hoặc đánh giá cao) một mục Cân nặng bao nhiêu mục mà người dùng mua được tương tự như (các) mục đề xuất tiềm ẩn Giả định về việc người sử dụng có thích một mặt hàng dựa trên việc người sử dụng có xem đơn giản không, mặc dù không mua hàng nào

Dưới đây là hai cách phổ biến bạn có thể sử dụng hệ thống này:

Ngoại tuyến 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 các khuyến nghị trên trang web:

• Khoản 3 cho Khách hàng B

• Được đề xuất vì Khách hàng B đã mua Sản phẩm 1 và 2 và cả hai mặt hàng tương tự như Khoản 3.

• Mục 4, sau đó Mục 2, cho Khách hàng C

Được đề xuất vì Khách hàng C mua Mục 3 và 5 Khoản 5 tương tự Khoản 4 (giá trị tương tự: 0.82). Khoản 2 tương tự như khoản 3 (giá trị tương tự: 0.45).

• Mục 2 cho Khách hàng D

  Được đề xuất vì Khách hàng D đã mua Mục 3, 4 và 5. Khoản 3 tương tự như Khoản 2.

  • Mục 1 cho Khách hàng E

    Khuyến nghị vì Khách hàng E đã mua Mục 2 và 3, cả hai đều tương tự như mục 1.

  • Mục 3 cho Khách hàng F

    Được đề xuất vì Khách hàng F đã mua Mục 1, 2, 4 và 5. Mục 1, 2 và 5 tương tự như Khoản 3

  • Khoản 2 cho Khách hàng G

    Được đề xuất vì Khách hàng G đã mua Sản phẩm 1 và 3. Cả hai sản phẩm đều tương tự như Khoản 2.

  • Mục 2, sau đó Khoản 3 cho Khách Hàng H

    Khuyến nghị vì Khách hàng H đã mua Khoản 1 Khoản 1 tương tự Khoản 2 và Khoản 3.

  • Mặt hàng chưa xác định cho Khách hàng A

    Lý tưởng là bạn nên có thêm nhiều mặt hàng và người sử dụng. Và phải có một số mặt hàng mà khách hàng đã mua tương tự như các mặt hàng khác mà họ chưa mua.

  • Mục không xác định cho Khách hàng I

    Trong trường hợp này, dữ liệu không đủ để làm cơ sở cho đề xuất. Đây là một ví dụ về vấn đề bắt đầu lạnh.

  • Trực tuyến thông qua chế độ xem trang trong khi người dùng không đăng nhập.