Fundamentos de filtros de colaboración basadas en el usuario en el análisis predictivo

Con un enfoque basado en el usuario para el filtrado de colaboración en el análisis predictivo, el sistema puede calcular la similitud entre pares de los usuarios mediante el uso de la fórmula similitud coseno, una técnica mucho como el enfoque basado en el artículo. Por lo general, estos cálculos requieren más tiempo de hacer, y pueden necesitar ser computado más a menudo, que los utilizados en el enfoque basado en el concepto. Eso es porque

• Usted tendría muchos más usuarios que los elementos (idealmente de todos modos).

  Video: 3 Producción y distribución del aire comprimido

• Uno esperaría que los elementos que cambian con menos frecuencia que los usuarios.

• Con más usuarios y menos cambios en los artículos que se ofrecen, puede utilizar muchos más atributos que sólo el historial de compras en el cálculo de similitud de usuario.

Un sistema basado en el usuario también puede utilizar algoritmos de aprendizaje automático para agrupar a todos los usuarios que han demostrado que tienen los mismos gustos. El sistema construye barrios de los usuarios que tienen perfiles similares, los patrones de compra, o los patrones de calificación. Si una persona en un barrio de compra y le gusta un artículo, el sistema de recomendación puede recomendar que el tema a todos los demás en el vecindario.

Como con el filtrado de colaboración basada en tema, el enfoque basado en el usuario requiere datos suficientes sobre cada usuario para ser eficaz. Antes de que el sistema puede hacer recomendaciones, se debe crear un perfil de usuario - por lo que también requiere que el usuario cree una cuenta y estar conectados (o tienda de información de la sesión en el navegador a través de las cookies) mientras se visualiza una página web.

Inicialmente, el sistema puede pedir al usuario de manera explícita para crear un perfil, profundizar en el perfil haciendo preguntas, y luego optimizar sus sugerencias después de los datos de compra del usuario ha acumulado.

Netflix es un ejemplo de la construcción rápida de un perfil para cada cliente. Aquí está el procedimiento general:

1. Netflix invita a sus clientes a configurar colas de las películas que les gustaría ver.

2. Las películas elegidas son analizados para conocer los gustos del cliente en las películas.

3. El modelo predictivo recomienda más películas para que el cliente pueda ver, a partir de las películas que ya están en la cola.

Una matriz de la muestra de los clientes y sus artículos comprados - es un ejemplo de filtrado colaborativo basado en el usuario. Por simplicidad, utilice una regla que un barrio de usuario se crea a partir usuarios que compraron al menos dos cosas en común.

Hay tres barrios formados por el usuario: N1, N2 y N3. Cada usuario en los barrios N1 y N2 ha comprado al menos 2 elementos en común con otra persona en el mismo barrio. N3 son los usuarios que aún no han cumplido con los criterios y no recibirá recomendaciones hasta que se compran otros artículos para satisfacer los criterios.

Aquí está un ejemplo de cómo se puede utilizar este sistema de recomendación:

Desconectado a través de una campaña de marketing por correo electrónico, o si el usuario se encuentra en el sitio web mientras está conectado el sistema podría enviar anuncios de marketing o hacer recomendaciones en el sitio web de la siguiente manera.:

• Tema 3 al cliente B

• Punto 4 a cliente C

• Objetos del 1 al Cliente E

• Tema 3 al Cliente F

  Video: Distribución - Como registrar una ubicación (Principiante) - Ecount ERP

• Artículo 2 a G Cliente

• elemento indeterminada a los clientes A y D

  Lo ideal es tener elementos mucho más que seis. Y siempre debe haber algunos artículos en la vecindad de un cliente que el cliente no ha comprado todavía.

• elemento indeterminada a los clientes H e I

  En este caso, no hay datos suficientes para servir como la base de una recomendación.

Una diferencia muy importante es que, dado que cada cliente pertenece a un grupo, cualquier compra futura de que un miembro haga serán recomendados a los demás miembros del grupo hasta que se re-entrenado el filtro. Así el cliente A y D comienza a recibir recomendaciones muy rápidamente, puesto que ya pertenecen a un barrio y seguramente los otros vecinos van a comprar algo pronto.

Por ejemplo: si el Cliente B compra de artículos 6, entonces el sistema de recomendación recomendará el punto 6 a todo el mundo en N1 (cliente A, B, E, F y G).

F cliente puede potencialmente pertenecer a cualquiera de N1 o N2 barrio dependiendo de cómo se implementa el algoritmo de filtrado colaborativo.

Clientes H e I proporcionan ejemplos de la problema de arranque en frío: El cliente no ha generado suficientes datos para ser agrupados en un barrio de usuario. En ausencia de un perfil de usuario, un nuevo cliente con muy poco o ningún historial de compras - o que sólo compra artículos oscuros - siempre va a plantear el problema de arranque en frío al sistema, independientemente del enfoque de filtrado de colaboración está en uso.

Cliente I ilustra un aspecto del problema de arranque en frío que es único para el enfoque basado en el usuario. El enfoque basado en el tema se empieza a encontrar otros artículos similares al elemento que el cliente bought- entonces, si otros usuarios comienzan artículo 6 compra, el sistema puede empezar a hacer recomendaciones.

Video: CulturOn: 3 A Política Cultural das Institucións

No hay más compras necesitan ser hechas por el usuario del enfoque basado en el elemento puede comenzar a recomendar. En un sistema basado en el usuario, sin embargo, al cliente que tiene que hacer compras adicionales con el fin de pertenecer a un barrio de usuarios- el sistema no puede hacer ninguna recomendación aún.

Está bien, hay un supuesto en el trabajo en estos ejemplos simples - a saber, que el cliente no sólo comprado el artículo, pero le gusta lo suficiente como para hacer compras similares. ¿Qué pasa si el cliente no le gustó el artículo? El sistema necesita, por lo menos, para producir una mejor precisión en sus recomendaciones.

Se puede añadir un criterio para el sistema de recomendación agrupar a las personas que dieron puntuaciones similares a los artículos que compraron. Si el sistema encuentra clientes que les gusta y no les gusta a los mismos elementos, entonces el supuesto de alta precisión es válida. En otras palabras, existe una alta probabilidad de que los clientes comparten los mismos gustos.