Conceptos básicos de filtros de análisis predictivo basados ​​en contenido

basado en el contenido Los sistemas de recomendación de análisis predictivos en su mayoría coinciden caracteristicas (palabras clave etiquetadas) entre elementos similares y el perfil del usuario para hacer recomendaciones. Cuando un usuario compra un artículo que se ha etiquetado características, serán recomendados elementos con características que coinciden con los del elemento original. Las más características son iguales, cuanto mayor es la probabilidad de que el usuario va a gustar la recomendación. Este grado de probabilidad se llama precisión.

Video: Conceptos Básicos de Publicidad

Fundamentos de etiquetas para describir artículos

En general, haciendo la venta de la empresa (o el fabricante) por lo general etiquetas que sus artículos con palabras clave. En el sitio web de Amazon, sin embargo, es bastante típico no volver a ver las etiquetas para los artículos comprados o vistos - y ni siquiera que se le pregunte para etiquetar un elemento. Los clientes pueden revisar los artículos que ha comprado, pero ese no es el mismo que el etiquetado.

artículos de etiquetado pueden representar un desafío escala para una tienda como Amazon que tiene tantos elementos. Además, algunos atributos pueden ser subjetivas y pueden ser etiquetados de forma incorrecta, dependiendo de quién lo etiqueta. Una solución que resuelve el problema de escala es permitir a los clientes o al público en general para marcar los artículos.

Para mantener las etiquetas manejable y preciso, un conjunto aceptable de etiquetas puede ser proporcionada por el sitio web. Sólo cuando un número apropiado de usuarios de acuerdo (es decir, utilizar la misma etiqueta para describir un elemento), será la pactada etiqueta de ser utilizado para describir el artículo.

basado en el usuario de marcado, sin embargo, se vuelve a otros problemas para un sistema de filtrado basado en contenido (y el filtrado colaborativo):

• Credibilidad: No todos los clientes dicen la verdad (especialmente en línea), y los usuarios que tienen sólo un pequeño historial de calificación pueden sesgar los datos. Además, algunos vendedores pueden dar (o animar a otros a dar) Las calificaciones positivas a sus propios productos al tiempo que las calificaciones negativas a los de sus competidores.

• escasez: No todos los artículos serán valorados o tendrán suficientes valoraciones para producir datos útiles.

• Inconsecuencia: No todos los usuarios utilizan las mismas palabras clave para marcar un elemento, a pesar de que el significado puede ser el mismo. Además, algunos atributos pueden ser subjetiva. Por ejemplo, un espectador de una película puede considerar que corta mientras que otro dice que es demasiado larga.

Atributos necesitan definiciones claras. Un atributo con muy pocos límites es difícil de evaluate imponer demasiadas reglas en un atributo se puede pedir a los usuarios de hacer demasiado trabajo, que haya desanimado a etiquetar artículos.

Etiquetado mayoría de los artículos en un catálogo de productos puede ayudar a resolver el problema de arranque en frío que asola filtrado colaborativo. Durante un tiempo, sin embargo, la precisión de las recomendaciones del sistema será baja hasta que se crea u obtiene un perfil de usuario.

Aquí está una matriz de muestra de los clientes y sus artículos comprados, muestra un ejemplo de filtrado basado en contenido.

En este caso, si un usuario le gusta disponen de 2 - y que ha grabado en su perfil - el sistema recomendará todos los elementos que tienen funciones en ellos 2: El artículo 1, punto 2, y el artículo 4.

Video: Conceptos básicos de estadística

Este enfoque funciona incluso si el usuario nunca ha comprado o revisado un artículo. El sistema sólo tiene que buscar en la base de datos de productos para cualquier artículo que ha sido etiquetado con Feature 2. Si (por ejemplo) un usuario que esté buscando películas con Audrey Hepburn - y que la preferencia se muestra en el perfil del usuario - el sistema recomendará todo las películas que cuentan con Audrey Hepburn a este usuario.

Este ejemplo, sin embargo, expone rápidamente una limitación de la técnica de filtrado basado en contenido: El usuario probablemente ya sabe acerca de todas las películas que Audrey Hepburn ha estado en, o puede encontrar fácilmente - por lo que, desde el punto de ese usuario de vista, el sistema de no ha recomendado nada nuevo o de valor.

¿Cómo mejorar la precisión con retroalimentación constante

Una forma de mejorar la precisión de las recomendaciones del sistema es preguntar a los clientes para la retroalimentación siempre que sea posible. La recogida de comentarios de los clientes se puede hacer de muchas maneras diferentes, a través de múltiples canales. Algunas empresas piden al cliente para evaluar un artículo o servicio después de la compra. Otros sistemas proporcionan enlaces de estilo medios de comunicación social para que los clientes pueden “me gusta” o “no les gusta” un producto. constante interacción entre

¿Cómo medir la eficacia de las recomendaciones del sistema

El éxito de las recomendaciones de un sistema depende de lo bien que cumple con dos requisitos: precisión (Pensar en él como un conjunto de coincidencias perfectas - por lo general un pequeño conjunto) y recordar (Pensar en él como un conjunto de posibles coincidencias - por lo general un conjunto más grande). He aquí un vistazo más de cerca:

• Precisión mide qué tan precisa era la recomendación del sistema. La precisión es difícil de medir, ya que puede ser subjetivo y difícil de cuantificar. Por ejemplo, cuando un usuario primera visita el sitio de Amazon, Amazon puede saber con seguridad si sus recomendaciones están en blanco?

  Algunas recomendaciones pueden conectar con los intereses del cliente, pero el cliente todavía no pueden comprar. La más alta confianza de que una recomendación es precisa proviene de una evidencia clara: el cliente compra el artículo. Como alternativa, el sistema puede pedir explícitamente al usuario evaluar sus recomendaciones.

• Recordar mide el conjunto de posibles buenas recomendaciones de su sistema se le ocurre. Piense en el recuerdo como un inventario de posibles recomendaciones, pero no todos ellos son recomendaciones perfectas. En general, existe una relación inversa con precisión y la recuperación. Es decir, como recuerdo sube, la precisión disminuye, y viceversa.

El sistema ideal tendría tanto de alta precisión y alta recordación. Pero, siendo realistas, el mejor resultado es un delicado equilibrio entre los dos. Haciendo hincapié en la precisión o recordar Realmente depende del problema que estamos tratando de resolver.