Wakacyjne zakupy Sklep Smart z silnikiem rekomendacji Amazon
W czasie świąt Bożego Narodzenia wielu z nas zmaga się z wyborem najbardziej odpowiedniego prezentu dla naszych bliskich. Polowanie na prezenty na Boże Narodzenie może wymagać dni planowania, czasem tygodni. Poza pewną zabawną i radosną częścią, Świąteczne zakupy mogą być czasochłonne i stresujące.
Na szczęście w dobie zaawansowanej technologii dostępne są narzędzia, które mogą sprawić, że proces zakupów stanie się bardziej wydajny i produktywny. W tym poście pokażę ci, w jaki sposób jedna z największych na świecie witryn sieci sklepów Amazon.com może Ci pomóc znalezienie najlepszych prezentów dla twoich przyjaciół i rodziny w rozsądnym terminie za pomocą silnika inteligentnych rekomendacji.
Spersonalizowane doświadczenie użytkownika
Najbardziej popularne witryny internetowe, takie jak Amazon, Facebook i Youtube, są tak popularne, ponieważ oferują spersonalizowaną obsługę dla każdego.
Personalizacja doświadczenia użytkownika oznacza w zasadzie firmy obserwuj ich użytkowników podczas poruszania się po swojej stronie i wykonuj różne czynności na tym. Zbierają dane w zgrabne bazy danych i analizują je.
Czy to nie jest szkodliwe dla prywatności? Z pewnego punktu widzenia tak jest; te firmy mogą wiedzieć o nas więcej niż nasi najbliżsi przyjaciele, a nawet my sami. Z drugiej strony, oferują nam usługę, która może ułatwić nam życie, i nasze decyzje lepiej poinformowane.
Jeśli spojrzymy na to z punktu widzenia transakcji, „płacimy” za lepsze wrażenia użytkownika i wygodę, z częścią naszej prywatności.
Oczywiście, legalne bitwy pomiędzy dostawcami treści internetowych a władzami są stałe, pomyśl tylko o niezbyt kochanym unijnym prawie dotyczącym plików cookie, ale ponieważ rezygnacja z usług jest coraz mniej realistyczna dla kogoś, kto chce cieszyć się stylem życia XXI wieku, może to być przydatne do zrozumienia, jak spersonalizowane rekomendacje działają za kulisami.
The Tech Behind Amazon's Recommendations
Podczas nawigacji przez stronę Amazon możemy znaleźć spersonalizowane rekomendacje wszędzie pod nagłówkami “Nowy dla ciebie”, “Zalecenia dla Ciebie w Kindle Store”, “Polecane rekomendacje”, “Klienci którzy kupili ten produkt kupili również”, i wiele innych.
Zalecenia zostały zintegrowane z każdą pojedynczą częścią procesu zakupu od wyszukiwanie produktu do kasy. Indywidualne zalecenia są oparte na inteligentnym silniku rekomendacji, który coraz lepiej poznaje użytkowników podczas korzystania z witryny.
Aby lepiej zrozumieć systemy rekomendacji, warto pomyśleć o nich zaawansowane wersje wyszukiwarek. Kiedy szukamy przedmiotu na Amazon, nie tylko zwraca on wyniki, ale także tworzy prognozy dotyczące potrzebnych produktów, i pokazuje nam swoje zalecenia.
Systemy rekomendujące wykorzystują różne rodzaje algorytmów uczenia maszynowego i stały się komercyjnie możliwe do wdrożenia dzięki ewolucji technologii Big Data. Zalecane są silniki produkty oparte na danych, tak jak muszą znaleźć najbardziej odpowiedni mały zbiór danych w ogromnym oceanie dużych zbiorów danych.
Zadaniem obliczeniowym, które systemy rekomendacji muszą rozwiązać, jest połączenie analiza predykcyjna i filtrowanie
Korzystają z jednego z następujących podejść:
(1) Filtrowanie grupowe, który szuka podobieństw między wspólne dane takie jak zakupy, oceny, upodobania, upvotes, downvotes w:
- Albo macierz użytkownika-użytkownika, gdzie rekomendacje są generowane na podstawie wyborów innych klientów, którzy lubili, kupowali, oceniali itp. podobne produkty,
- albo matryca produkt-produkt, gdzie aparat rekomendacji zwraca produkty, które są podobne w zakupach, polubieniach, ocenach itp. do produktów, które bieżący użytkownik zakupił, ocenił, polubił, wyróżnił przed
Amazon używa tego drugiego, ponieważ jest bardziej zaawansowany (zobacz szczegółowo w następnej sekcji).
(2) Filtrowanie oparte na treści, to sprawia, że prognozy oparte są na podobieństwach obiektywnych cech produktów, takich jak specyfika, opisy, autorzy, a także na poprzednich preferencjach użytkownika (które nie są tutaj porównywane z preferencjami innych użytkowników).
(3) Filtrowanie hybrydowe, używa kombinacji filtrowania opartego na współpracy i treści.
Matryca produkt-produkt
Tradycyjny sposób filtrowania grupowego wykorzystuje macierz użytkownika i użytkownika, a ponad pewną ilością danych ma poważne problemy z wydajnością.
Aby dopasować preferencje, oceny, zakupy wszystkich użytkowników i znajdź tych, którzy są najbliżej aktywnego użytkownika, silnik rekomendacji musi przeanalizować każdy użytkownik w bazie danych i dopasuj je do bieżącego.
Jeśli pomyślimy o wielkości Amazon, oczywiste jest, że tego rodzaju filtrowanie nie jest dla nich wykonalne, więc inżynierowie Amazon opracowali ulepszoną wersję poprzedniej metody i nazwali ją filtrowanie grupowe elementów do pozycji.
Utrzymywane jest wspólne filtrowanie elementów wspólny sukces jako punkt odniesienia zamiast obiektywnych cech produktu (patrz filtrowanie oparte na treści powyżej), ale uruchamia zapytania w macierzy produkt-produkt, co oznacza, że nie porównuje użytkowników, zamiast tego porównuje produkty.
Silnik rekomendacji przygląda się zakupionym przez nas produktom, ocenił je, umieścił na naszej liście życzeń, skomentował itd., A następnie wyszukuje inne pozycje w bazie danych, która ma podobne stawki i zakupy, agreguje je, a następnie zwraca najlepsze mecze jako zalecenia.
Jak uzyskać lepsze zalecenia
Powrót do świątecznych zakupów jest możliwy trenować silnik rekomendacji Amazon, aby uzyskać lepsze wyniki. Jeśli masz tylko mgliste pojęcie o tym, co kupić dla ukochanej osoby, nie musisz robić niczego innego poza pozostawieniem śladów na stronie podczas przeglądania.
Ze względu na ten post wypróbowałem to sam.
Zacząłem od znalezienia mniejszych mebli biurowych, ale nie wiedziałem dokładnie, co. Wprowadziłem kilka powiązanych słów kluczowych do paska wyszukiwania i zacząłem przeglądać wyniki. Umieściłem przedmioty, które lubiłem w mojej liście życzeń, oceniłem niektóre recenzje jako “Pomocny”, wrzuciłem do mojego koszyka meble biurowe.
Jeśli kiedykolwiek kupiłem podobny przedmiot w Amazon, byłoby całkiem przydatne napisanie recenzji na ten temat, ale tak naprawdę nie mogłem tego zrobić (możesz pisać recenzje tylko na produktach, które już kupiłeś).
Po około 10-15 minutach zatrzymałem się i kliknąłem na moje strony z zaleceniami (które można znaleźć pod “Amazonka [Twoje imię]” punkt menu). Przed eksperymentem miałem tylko książki na tej stronie, ponieważ zwykle kupuję je na Amazon. Po wyczerpującym wyszukiwaniu książki zniknęły i zostały zastąpione przez fajne meble biurowe, jak widać poniżej.
Poprawianie silnika
Możliwe jest dalsze szkolenie silnika rekomendacji, jak poniżej każdego zalecenia jest “Dlaczego polecam?” połączyć. Wśród moich zaleceń można zobaczyć pojemnik na śmieci (ostatni przedmiot), który nie jest produktem do mebli biurowych i nie chcę go kupować na Boże Narodzenie.
Zobaczmy, dlaczego tu jest.
Po kliknięciu linku Amazon informuje mnie, że polecono go, ponieważ włożyłem do krzesła pewne krzesło biurowe. Cóż, to interesujące połączenie, ale nadal tego nie potrzebuję.
Mam tutaj dwie opcje, mogę albo zaznaczyć “Nie zainteresowany” pole wyboru obok liner bin lub “Nie używaj do rekomendacji” obok krzesła biurowego. Zaznaczam “Nie zainteresowany” pole wyboru.
W tym momencie zniknęła wkładka na pojemnik, zastąpiona innym zalecanym produktem, co oznacza, że jestem o krok bliżej idealnego prezentu.
Szkoda, że w przyszłości będę potrzebował dokładnie tego linera. Zaczekaj. Znalazłem rozwiązanie tego. Pod “Popraw swoje rekomendacje” punkt menu, mogę edytować elementy, które zaznaczyłem “Nie zainteresowany” etykieta
Kiedy znajdę moje wyobrażone polowanie na prezent, mogę po prostu odznaczyć produkty, które chcę zobaczyć w przyszłości w moich zaleceniach.