Cómo utilizar filtros de colaboración basada en la partida en el análisis predictivo

Uno de Amazon&sistemas de recomendación rsquo-s para usos de análisis predictivo filtrado colaborativo basado en elemento - repartir un enorme inventario de productos a partir de la base de datos de empresa cuando un usuario ve un solo artículo en el sitio web. Usted sabe&rsquo-re mirando un sistema de filtrado colaborativo basado en elemento (o, a menudo, un sistema basado en el contenido) si te muestra recomendaciones en su primera vista de un elemento, incluso si usted no ha&rsquo-t creado un perfil.

Parece magia, pero&No rsquo-S. A pesar de su perfil hasn&rsquo-t ha creado todavía (porque usted no está&rsquo-t iniciado sesión o no tienen ningún historial de navegación anterior en ese sitio) el sistema toma lo que equivale a una conjetura: Basa su recomendación sobre el propio elemento y lo que otros clientes han comprado vistos o después (o antes) de que compró ese elemento. Vos tambien&rsquo-ll ver algún mensaje en pantalla como

• Los clientes que compraron este artículo también compraron . . .

• Los clientes que compraron artículos en su historia reciente también han comprado. . .

• ¿Qué otros elementos hacen los clientes comprar después de ver este artículo?

Video: Women as Background Decoration: Part 1 - Tropes vs Women in Video Games

En esencia, la recomendación se basa en la similitud de la partida que se está viendo es a otros artículos, en base a las acciones de la comunidad de usuarios.

A continuación se muestra una matriz de muestra de los clientes y los artículos que compraron. Será utilizado como un ejemplo de filtrado colaborativo basado en elemento.

Ahora deja&rsquo-s vistazo a similitud elemento calculado mediante la fórmula del coseno similitud. La fórmula para similitud del coseno es un ·- B) / (A || || || || B), donde A y B son artículos para comparar. Para leer el siguiente ejemplo y averiguar cómo es similar un par de artículos son, simplemente localizar la celda donde se cruzan los dos artículos. El número será de entre 0 y 1. Un valor de 1 significa que los artículos son perfectamente similar- 0 significa que no son similares.

El sistema puede proporcionar una lista de recomendaciones que están por encima de un cierto valor de similitud o puede recomendar la parte superior norte número de items. En este escenario, se puede decir que cualquier valor mayor o igual a 0,40 se similar- el sistema va a recomendar los temas.

Por ejemplo, la similitud entre el punto 1 y el punto 2 es 0,67. La similitud entre el punto 2 y el punto 1 es el mismo. Por lo tanto, es una imagen especular del otro lado de la diagonal inferior izquierda a superior derecha. También se puede ver que el punto 6 no es similar a cualquier otro artículo, ya que tiene un valor de 0.

Esta implementación de un sistema de recomendación basada en la partida se ha simplificado para ilustrar cómo funciona. Para simplificar, sólo se utilice un criterio para determinar la similitud material: si el usuario compró el artículo. Los sistemas más complejos podrían entrar en mayor detalle por

Video: OLI ES

• Utilizando perfiles creados por los usuarios que representan sus gustos

• Factoring en la cantidad de s de usuario le gusta (o altamente tasas) un elemento

• Pesando el número de elementos que el usuario compró que son similares al elemento recomendado potencial (s)

• Hacer suposiciones acerca de si un usuario le gusta un artículo sobre la base de si el usuario simplemente ha visto el tema, a pesar de que no se compra se hizo

Estas son dos formas comunes que puede utilizar este sistema de recomendación:

• Sin conexión 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 estas recomendaciones en el sitio web:

• Tema 3 al cliente B

  Recomendado porque cliente B comprado artículos 1 y 2, y ambos elementos son similares a los del artículo 3.

• Punto 4, a continuación del artículo 2, a cliente C

  Recomendado porque al cliente C comprado artículos 3 y 5 del artículo 5 es similar al Artículo (valor de similitud: 0,82) 4. Artículo 2 es similar al Artículo (valor de similitud: 0,45) 3.

• Tema 2 al cliente D

  Recomendado porque cliente D comprado artículos 3, 4 y 5. Artículo 3 es similar al artículo 2.

• Objetos del 1 al Cliente E

  Recomendado porque Cliente E comprado artículos 2 y 3, los cuales son similares a los del artículo 1.

• Tema 3 al Cliente F

  Recomendado porque el cliente F comprado artículos 1, 2, 4 y 5. Los artículos 1, 2, y 5 son similares a los del artículo 3.

• Artículo 2 a G Cliente

  Recomendado porque cliente G comprado artículos 1 y 3. Los dos son similares a los del artículo 2.

• Artículo 2, a continuación del artículo 3, a H cliente

  Recomendado porque al cliente H comprado el objeto: 1. El artículo 1 es similar a los Artículos 2 y 3.

• Indeterminado Número de artículo a un cliente

  Idealmente, usted debe tener mucho más artículos y usuarios. Y no debe haber algunos elementos que un cliente ha comprado, que son similares a otros artículos que él o ella todavía no ha comprado.

• elemento no determinado cliente a lo

  En este caso, los datos son insuficientes para servir como la base de una recomendación. Este es un ejemplo del problema de arranque en frío.