Hur man använder produktbaserade samarbetsfilter i prediktiv analys - dummies

En av Amazons recommender-system för prediktiv analys använder Objektbaserad samarbetsfiltrering - utesluter en stor inventering av produkter från företagsdatabasen när en användare visar ett enda objekt på webbplatsen. Du vet att du tittar på ett objektbaserat samarbetsfiltreringssystem (eller ofta ett innehållsbaserat system) om det visar rekommendationer till din första objektvy även om du inte har skapat en profil.

Ser ut som magi, men det är det inte. Även om din profil inte har skapats än (eftersom du inte är inloggad eller du inte har någon tidigare webbläsarhistorik på den här webbplatsen) tar systemet något som gissar: det baserar sin rekommendation på objektet själv och vilka andra kunder som tittade eller köpt efter (eller tidigare) de köpte det objektet. Så du får se ett meddelande på skärmen som

Kunder som köpte denna vara köpte också …
Kunder som köpt artiklar i din senaste historia köpte också …
Vilka andra artiklar köper kunder efter att ha läst det här föremålet?

I grunden är rekommendationen baserad på hur liknande det för närvarande visade objektet är till andra objekt, baserat på användarnas samhällsaktiviteter.

Nedan visas en provmatris av kunder och de varor de köpt. Den kommer att användas som ett exempel på objektbaserad samarbetsfiltrering.

Kunde	Punkt 1	Punkt 2	Punkt 3	Punkt 4	Punkt 5	Punkt 6
A	X > X	X	B
X	X	C
X			X		D
X			X	X	E
X		X	F
X	X	X		X	G
X	X		H
X > I	X
						Låt oss nu titta på objektlikhet beräknad med cosinuslikhetsformeln. Formeln för

cosinuslikhet

är (A & m; B) / (|| A || || B ||), där A och B är objekt att jämföra. För att läsa följande exempel och ta reda på hur liknande ett par objekt är, hitta bara cellen där de två punkterna skär. Numret kommer att vara mellan 0 och 1. Ett värde av 1 betyder att föremålen är helt lika; 0 betyder att de inte är lika.

Punkt 6

0	0	0	0	Punkt 5	0. 26
0. 29	0. 52	0. 82	0	Punkt 4		0. 32
0. 35	0. 32	0. 82	0		Punkt 3	0. 40
0. 45	0. 32	0. 52		0	Punkt 2	0. 67
0. 45	0. 35		0. 29	0	Artikel 1	0. 67
0. 40		0. 32	0. 26	0	Artikel 1	Punkt 2
	Punkt 3	Punkt 4	Punkt 5	Punkt 6	Systemet kan ge en lista över rekommendationer som ligger över en visst likhetsvärde eller kan rekommendera topp	n

antal objekt.I detta scenario kan du säga att något värde större än eller lika med 0. 40 är liknande; systemet kommer att rekommendera dessa objekt. Till exempel är likheten mellan objekt 1 och punkt 2 0. 67. Likheten mellan punkt 2 och punkt 1 är densamma. Således är det en spegelbild över diagonalen från nedre vänster till höger. Du kan också se det där objektet 6 inte liknar några andra objekt eftersom det har ett värde på 0. Denna implementering av ett produktbaserat rekommendationssystem förenklas för att illustrera hur det fungerar. För enkelhet, använd bara ett kriterium för att bestämma objektlikhet: om användaren köpt objektet. Mer komplexa system kan gå in mer detaljerat genom

Använda profiler skapade av användare som representerar deras smak

Factoring i hur mycket s användare tycker om (eller högt betyg) ett objekt

Vägning av hur många varor användaren köpte som är liknar de potentiella rekommenderade objekten
Göra antaganden om huruvida en användare gillar ett föremål på grund av om användaren helt enkelt har tittat på föremålet, trots att inget köp gjordes.
Här är två vanliga sätt du kan Använd detta recommender-system:
Offline via e-postmarknadsföringskampanj eller om användaren är på webbplatsen när du är inloggad.

Systemet kan skicka marknadsföringsannonser eller göra rekommendationer på webbplatsen:

Punkt 3 till kund B

Rekommenderas eftersom kund B köpte artiklar 1 och 2 och båda föremålen liknar punkt 3.
- Artikel 4, sedan punkt 2, till kund C
  
  Rekommenderad eftersom kund C köpt 3 och 5. Artikel 5 liknar punkt 4 (likhetsvärde: 0. 82). Punkt 2 liknar punkt 3 (likhetsvärde: 0,45).
- Punkt 2 till kund D
  
  Rekommenderas eftersom kund D köpt artiklar 3, 4 och 5. Punkt 3 liknar punkt 2.
- Artikel 1 till kund E
  
  Rekommenderas för att kund E köpt artiklar 2 och 3, som båda liknar punkt 1.
- Artikel 3 till kund F
  
  Rekommenderas eftersom kund F köpte artiklar 1, 2, 4 och 5. Artikel 1, 2 och 5 liknar punkt 3
- Artikel 2 till Kund G
  
  Rekommenderas eftersom Kund G köpte artiklarna 1 och 3. De liknar båda punkt 2.
- Artikel 2, sedan punkt 3, till Kund H
  
  Rekommenderad eftersom Kund H inköpta artikel 1. Artikel 1 liknar punkterna 2 och 3.
- Ej bestämd vara till kund A
  
  Idealiskt bör du ha mycket fler artiklar och användare. Och det ska finnas några saker som en kund har köpt som liknar andra objekt som han eller hon ännu inte har köpt.
- Ej bestämd vara till kunden I
  
  I det här fallet är uppgifterna otillräckliga för att tjäna som en rekommendation. Detta är ett exempel på kallstartsproblemet.
- Online via en sidvisning medan användaren inte är inloggad.