Grundlagen von inhaltsbasierten Predictive Analytics-Filtern - Dummies

Inhaltsbasierte Predictive Analytics-Empfehlungssysteme entsprechen Features (markierte Keywords) unter ähnlichen Elementen und das Benutzerprofil, um Empfehlungen abzugeben. Wenn ein Benutzer ein Element kauft, das Merkmale gekennzeichnet hat, werden Elemente mit Funktionen empfohlen, die mit denen des ursprünglichen Elements übereinstimmen. Je mehr Merkmale übereinstimmen, desto höher ist die Wahrscheinlichkeit, dass der Benutzer die Empfehlung mag. Diese Wahrscheinlichkeit wird als Genauigkeit bezeichnet.

Grundlagen von Tags zur Beschreibung von Artikeln

Im Allgemeinen kennzeichnet das Unternehmen, das den Verkauf durchführt (oder der Hersteller) seine Artikel normalerweise mit Keywords. Auf der Amazon-Website ist es jedoch normal, die Tags nicht für gekaufte oder gesehene Artikel zu sehen - und nicht einmal, um einen Artikel zu markieren. Kunden können die gekauften Artikel überprüfen, aber das ist nicht dasselbe wie das Taggen.

Das Tagging von Artikeln kann eine Herausforderung für ein Geschäft wie Amazon mit so vielen Artikeln darstellen. Darüber hinaus können einige Attribute subjektiv sein und werden möglicherweise falsch markiert, je nachdem, wer sie markiert. Eine Lösung, die das Skalierungsproblem löst, besteht darin, Kunden oder der Öffentlichkeit die Möglichkeit zu geben, die Elemente zu markieren.

Um die Tags überschaubar und genau zu halten, kann ein akzeptabler Satz von Tags von der Website bereitgestellt werden. Nur wenn eine angemessene Anzahl von Benutzern zustimmt (d. H. Dasselbe Tag zur Beschreibung eines Elements verwenden), wird das vereinbarte Tag zur Beschreibung des Elements verwendet.

Benutzerbasiertes Tagging stellt jedoch andere Probleme für ein inhaltsbasiertes Filtersystem (und kollaboratives Filtern) dar:

• Glaubwürdigkeit: Nicht alle Kunden sagen die Wahrheit (insbesondere online) und Benutzer, die Nur eine kleine Bewertungshistorie kann die Daten verzerren. Darüber hinaus können einige Anbieter ihren eigenen Produkten positive Bewertungen geben (oder andere dazu anregen), während sie den Produkten ihrer Wettbewerber negative Bewertungen geben.

• Sparsity: Nicht alle Elemente werden bewertet oder haben genügend Bewertungen, um nützliche Daten zu erhalten.

• Inkonsistenz: Nicht alle Benutzer verwenden die gleichen Schlüsselwörter, um ein Element zu markieren, obwohl die Bedeutung möglicherweise dieselbe ist. Zusätzlich können einige Attribute subjektiv sein. Zum Beispiel kann ein Betrachter eines Films es als kurz erachten, während ein anderer sagt, es sei zu lang.

Attribute benötigen eindeutige Definitionen. Ein Attribut mit zu wenigen Grenzen ist schwer zu bewerten. Wenn Sie zu viele Regeln für ein Attribut festlegen, können Sie Benutzer dazu auffordern, zu viel Arbeit zu verrichten, was sie davon abhält, Elemente zu markieren.

Das Markieren der meisten Elemente in einem Produktkatalog kann zur Lösung des Kaltstartproblems beitragen, das die kollaborative Filterung beeinträchtigt.Eine Zeit lang ist die Genauigkeit der Systemempfehlungen jedoch niedrig, bis ein Benutzerprofil erstellt oder erhalten wird.

Hier sehen Sie eine Beispielmatrix von Kunden und ihren gekauften Artikeln, die ein Beispiel für eine inhaltsbasierte Filterung zeigt.

Elemente	Merkmal 1	Merkmal 2	Merkmal 3	Merkmal 4	Merkmal 5
Element 1	X	X
Element 2	X	X
Punkt 3 999 X 999 X 999 X 999 Punkt 4 999 X 999 X 999 X 999 Punkt 5 999 X 999 > X	X	Hier, wenn ein Benutzer Feature 2 mag - und das ist in seinem Profil aufgezeichnet - wird das System alle Elemente empfehlen, die Feature 2 enthalten: Element 1, Element 2 und Element 4. > Dieser Ansatz funktioniert auch dann, wenn der Benutzer einen Artikel nie gekauft oder überprüft hat. Das System sucht nur in der Produktdatenbank nach jedem Artikel, der mit Feature 2 gekennzeichnet wurde. Wenn (zum Beispiel) ein Nutzer mit Audrey Hepburn nach Filmen sucht - und diese Einstellung erscheint im Profil des Nutzers - wird das System alle empfehlen. die Filme, die Audrey Hepburn zu diesem Benutzer kennzeichnen.	Dieses Beispiel zeigt jedoch schnell eine Einschränkung der inhaltsbasierten Filtertechnik: Der Benutzer weiß wahrscheinlich bereits über alle Filme Bescheid, in denen sich Audrey Hepburn befunden hat, oder kann sie leicht herausfinden - also aus der Sicht dieses Benutzers. hat das System nichts Neues oder Wertvolles empfohlen.
So verbessern Sie die Genauigkeit mit konstanter Rückmeldung	Eine Möglichkeit, die Genauigkeit der Systemempfehlungen zu verbessern, besteht darin, die Kunden nach Möglichkeit um Feedback zu bitten. Das Sammeln von Kundenfeedback kann auf viele verschiedene Arten über mehrere Kanäle erfolgen. Einige Unternehmen bitten den Kunden, einen Artikel oder eine Dienstleistung nach dem Kauf zu bewerten. Andere Systeme bieten Verknüpfungen im Social-Media-Stil, sodass Kunden ein Produkt "mögen" oder "nicht mögen". Ständige Interaktion zwischen	Wie man die Effektivität von Systemempfehlungen misst	Der Erfolg von Systemempfehlungen hängt davon ab, wie gut es zwei Kriterien erfüllt:
Genauigkeit	(man denke an perfekte Übereinstimmungen - normalerweise ein kleiner Satz) und	erinnern	(denken Sie an eine Reihe von möglichen Übereinstimmungen - normalerweise eine größere Menge). Hier ein genauerer Blick:

Präzision

misst, wie genau die Systemempfehlung war. Präzision ist schwer zu messen, weil sie subjektiv und schwer zu quantifizieren ist. Kann zum Beispiel Amazon, wenn ein Nutzer die Amazon-Website zum ersten Mal besucht, sicher wissen, ob seine Empfehlungen auf das Ziel ausgerichtet sind?

Einige Empfehlungen knüpfen möglicherweise an die Interessen des Kunden an, aber der Kunde kann immer noch nicht kaufen. Das höchste Vertrauen, dass eine Empfehlung präzise ist, kommt aus eindeutigen Beweisen: Der Kunde kauft den Artikel. Alternativ kann das System den Benutzer explizit auffordern, seine Empfehlungen zu bewerten.

Recall

misst die möglichen Empfehlungen, die Ihr System bietet. Denken Sie an Rückruf als eine Bestandsaufnahme möglicher Empfehlungen, aber nicht alle sind perfekte Empfehlungen. Es gibt im Allgemeinen eine umgekehrte Beziehung zu Präzision und Rückruf. Das heißt, wenn der Recall ansteigt, sinkt die Präzision und umgekehrt.

Das ideale System hätte sowohl eine hohe Präzision als auch einen hohen Wiedererkennungswert. Aber realistischerweise ist es das beste Ergebnis, ein empfindliches Gleichgewicht zwischen den beiden zu finden. Die Betonung von Genauigkeit oder Rückruf hängt wirklich von dem Problem ab, das Sie lösen möchten.