Grundlagen benutzerbasierter kollaborativer Filter in Predictive Analysis - Dummies

Mit einem benutzerbasierten Ansatz zur kollaborativen Filterung in der Vorhersageanalyse kann das System Ähnlichkeiten zwischen Benutzerpaaren berechnen, indem es die Kosinus-Ähnlichkeitsformel verwendet, eine Technik, die dem artikelbasierten Ansatz sehr ähnlich ist. In der Regel dauern solche Berechnungen länger und müssen möglicherweise öfter berechnet werden als die, die im Item-basierten Ansatz verwendet werden. Das liegt daran,

dass Sie viel mehr Benutzer als Elemente hätten (idealerweise sowieso).
Sie erwarten, dass sich die Elemente weniger häufig ändern als die Benutzer.
Mit mehr Benutzern und weniger Änderungen bei den angebotenen Artikeln können Sie bei der Berechnung der Benutzerähnlichkeit viel mehr Attribute als nur den Kaufverlauf verwenden.

Ein benutzerbasiertes System kann auch Maschinenlernalgorithmen verwenden, um alle Benutzer zu gruppieren, die gezeigt haben, dass sie denselben Geschmack haben. Das System erstellt Nachbarschaften von Benutzern mit ähnlichen Profilen, Kaufmustern oder Bewertungsmustern. Wenn eine Person in einer Nachbarschaft einen Artikel kauft und mag, kann das Empfehlungssystem diesen Artikel allen anderen in der Nachbarschaft empfehlen.

Wie bei der elementbasierten kollaborativen Filterung erfordert der benutzerbasierte Ansatz ausreichende Daten für jeden Benutzer, um effektiv zu sein. Bevor das System Empfehlungen abgeben kann, muss es ein Benutzerprofil erstellen. Daher muss der Benutzer ein Konto erstellen und angemeldet sein (oder Sitzungsinformationen im Browser über Cookies speichern), während er eine Website ansieht.

Anfänglich kann das System den Benutzer explizit auffordern, ein Profil zu erstellen, das Profil durch Fragen zu erweitern und dann seine Vorschläge zu optimieren, nachdem sich die Kaufdaten des Benutzers angesammelt haben.

Netflix ist ein Beispiel für die schnelle Erstellung eines Profils für jeden Kunden. Hier ist das allgemeine Verfahren:

Netflix lädt seine Kunden ein, Warteschlangen der Filme einzurichten, die sie sich ansehen möchten.
Die ausgewählten Filme werden analysiert, um den Geschmack des Kunden in Filmen kennenzulernen.
Das Vorhersagemodell empfiehlt, basierend auf den bereits in der Warteschlange befindlichen Filmen, mehr Filme für den Kunden anzusehen.

Eine Beispielmatrix von Kunden und ihren gekauften Artikeln ist ein Beispiel für eine benutzerbasierte kollaborative Filterung. Verwenden Sie zur Vereinfachung eine Regel, dass eine Benutzerumgebung von Benutzern erstellt wird, die mindestens zwei Dinge gemeinsam gekauft haben.

Kunde	Artikel 1	Artikel 2	Artikel 3	Artikel 4
A - N1	X	X > X	B - N1
X	X	C - N2
X	X	D - N2
X	X	X > E - N1	X
X	F - N1	X
X	X	X	G - N1	X
X > H - N3	X	I - N3
X	Es werden drei Benutzer - Nachbarschaften gebildet: N1, N2 und N3.Jeder Benutzer in den Nachbarschaften N1 und N2 hat mindestens zwei Gegenstände gemeinsam mit jemandem in derselben Nachbarschaft gekauft. N3 sind Benutzer, die die Kriterien noch nicht erfüllt haben und keine Empfehlungen erhalten, bis sie andere Artikel kaufen, um die Kriterien zu erfüllen.
Hier ein Beispiel, wie Sie dieses Empfehlungssystem verwenden können:	Offline

über eine E-Mail-Marketingkampagne oder wenn sich der Benutzer auf der Website befindet, während er angemeldet ist. Das System kann Marketing-Anzeigen senden oder Empfehlungen abgeben. auf der Website wie folgt:

Pos. 3 an den Kunden B

Pos. 4 an den Kunden C Pos. 1 an den Kunden E

Pos. 3 an den Kunden F
Pos. 2 an den Kunden G
unbestimmt Artikel zu Kunden A und D
Idealerweise sollten Sie mehr als sechs Artikel haben. Und es sollte immer einige Artikel in der Nachbarschaft eines Kunden geben, die der Kunde noch nicht gekauft hat.
Unbestimmter Artikel an Kunden H und I
In diesem Fall liegen nicht genügend Daten vor, um als Grundlage für eine Empfehlung zu dienen.

Ein sehr wichtiger Unterschied besteht darin, dass jeder zukünftige Kunde, der zu einer Gruppe gehört, allen zukünftigen Mitgliedern der Gruppe empfohlen wird, bis der Filter umgeschult wird. So werden die Kunden A und D sehr schnell Empfehlungen erhalten, da sie bereits zu einer Nachbarschaft gehören und die anderen Nachbarn sicherlich bald etwas kaufen werden.
Beispiel: Wenn Kunde B Artikel 6 kauft, dann empfiehlt das Empfehlungssystem Artikel 6 für jeden in N1 (Kunde A, B, E, F und G).

Der Kunde F kann potentiell entweder der Nachbarschaft N1 oder N2 angehören, abhängig davon, wie der kollaborative Filteralgorithmus implementiert ist.

Kunden H und ich stellen Beispiele für das

Kaltstartproblem bereit:

Der Kunde hat gerade nicht genug Daten generiert, um in einer Benutzerumgebung gruppiert zu werden. In Ermangelung eines Benutzerprofils stellt ein neuer Kunde mit sehr wenig oder keiner Kaufhistorie - oder der nur obskure Artikel kauft - das Kaltstartproblem immer auf das System, unabhängig davon, welcher kollaborative Filteransatz verwendet wird.

Der Kunde I veranschaulicht einen Aspekt des Kaltstartproblems, der für den benutzerbasierten Ansatz einzigartig ist. Der Artikel-basierte Ansatz würde anfangen, andere Artikel zu finden, die dem Artikel ähnlich sind, den der Kunde gekauft hat; Wenn dann andere Benutzer Artikel 6 kaufen, kann das System Empfehlungen ausgeben. Es sind keine weiteren Käufe durch den Benutzer erforderlich. Der item-basierte Ansatz kann mit der Empfehlung beginnen. In einem benutzerbasierten System muss der Kunde jedoch zusätzliche Einkäufe tätigen, um zu einer Nachbarschaft von Benutzern zu gehören. Das System kann noch keine Empfehlungen abgeben. Okay, es gibt eine Annahme bei der Arbeit in diesen einfachen Beispielen - nämlich, dass der Kunde nicht nur den Artikel gekauft hat, sondern ihn genug genossen hat, um ähnliche Einkäufe zu tätigen. Was ist, wenn der Kunde den Artikel nicht mag? Das System muss zumindest in seinen Empfehlungen eine bessere Genauigkeit erzielen.

Sie können dem Empfehlungssystem ein Kriterium hinzufügen, um Personen zu gruppieren, die den gekauften Artikeln ähnliche Bewertungen zugewiesen haben.Wenn das System Kunden findet, die dieselben Elemente mögen und nicht mögen, dann ist die Annahme von hoher Genauigkeit gültig. Mit anderen Worten: Es besteht eine hohe Wahrscheinlichkeit, dass die Kunden den gleichen Geschmack haben.