Verwendung Item-basierter kollaborativer Filter in der Predictive Analysis - Dummies

zeigt. Eines der Empfehlungssysteme von Amazon für Predictive Analysis-Anwendungen. kollaboratives Filtern auf Elementebene - Verteilen eines riesigen Bestands an Produkten aus der Unternehmensdatenbank, wenn ein Benutzer ein einzelnes Element auf der Website anzeigt. Sie wissen, dass Sie ein objektbasiertes kollaboratives Filtersystem (oder oft ein inhaltsbasiertes System) suchen, wenn es Ihnen in der ersten Elementansicht Empfehlungen anzeigt, auch wenn Sie kein Profil erstellt haben.

Sieht nach Magie aus, ist es aber nicht. Obwohl Ihr Profil noch nicht erstellt wurde (weil Sie nicht eingeloggt sind oder Sie keinen vorherigen Browserverlauf auf dieser Seite haben), nimmt das System eine Schätzung in Kauf: Es basiert auf dem Element selbst und, was andere Kunden nach (oder vor) dem Kauf dieses Artikels gesehen oder gekauft haben. So sehen Sie einige Bildschirmmeldungen wie

• Kunden, die dieses Produkt gekauft haben, kauften auch …

• Kunden, die Artikel in Ihrer jüngsten Geschichte gekauft haben, kauften auch …

• Welche anderen Artikel kaufen Kunden, nachdem sie diesen Artikel gesehen haben?

Im Wesentlichen basiert die Empfehlung darauf, wie ähnlich das aktuell angezeigte Element zu anderen Elementen ist, basierend auf den Aktionen der Nutzergemeinschaft.

Im Folgenden sehen Sie eine Beispielmatrix von Kunden und den gekauften Artikeln. Es wird als ein Beispiel für die kollaborative Filterung auf Basis von Elementen verwendet.

Kunde	Artikel 1	Artikel 2	Artikel 3	Artikel 4	Artikel 5	Artikel 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
						Betrachten wir nun die mit der Kosinus-Ähnlichkeitsformel berechnete Item-Ähnlichkeit. Die Formel für

Cosinus-Ähnlichkeit

ist (A & middot; B) / (|| A || || B ||), wobei A und B zu vergleichende Elemente sind. Um das folgende Beispiel zu lesen und herauszufinden, wie ähnlich ein Paar von Elementen ist, suchen Sie einfach die Zelle, in der sich die beiden Elemente schneiden. Die Zahl wird zwischen 0 und 1 liegen. Ein Wert von 1 bedeutet, dass die Elemente vollkommen ähnlich sind. 0 bedeutet, dass sie nicht ähnlich sind.

Punkt 6

0

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	Punkt 1	0. 67
0. 40		0. 32	0. 26	0	Punkt 1	Punkt 2
	Punkt 3	Punkt 4	Punkt 5	Punkt 6	Das System kann eine Liste von Empfehlungen bereitstellen, die über bestimmter Ähnlichkeitswert oder kann die oberste	n

Stückzahl empfehlen.In diesem Szenario können Sie sagen, dass jeder Wert, der größer oder gleich 0 ist, 40 ähnlich ist. Das System wird diese Elemente empfehlen. Zum Beispiel ist die Ähnlichkeit zwischen Punkt 1 und Punkt 2 gleich 0. 67. Die Ähnlichkeit zwischen Punkt 2 und Punkt 1 ist die gleiche. Somit ist es ein Spiegelbild über die Diagonale von unten links nach oben rechts. Sie können auch sehen, dass Element 6 anderen Elementen nicht ähnelt, weil es den Wert 0 hat. Diese Implementierung eines objektbasierten Empfehlungssystems wird vereinfacht, um zu veranschaulichen, wie es funktioniert. Der Einfachheit halber verwenden Sie nur ein Kriterium, um die Ähnlichkeit eines Artikels zu bestimmen: ob der Nutzer den Artikel gekauft hat. Komplexere Systeme können detaillierter behandelt werden, indem

Profile verwendet werden, die von Benutzern erstellt wurden, die ihren Geschmack repräsentieren.

Wieviele Benutzer einen Artikel bewerten oder bewerten.

• Wieviele Artikel der Benutzer kauft, ähnlich wie die potenziellen empfohlenen Artikel

• Annahmen darüber treffen, ob ein Nutzer einen Artikel mag, basierend darauf, ob der Nutzer den Artikel einfach angesehen hat, obwohl kein Kauf getätigt wurde

• Hier sind zwei gebräuchliche Möglichkeiten Verwenden Sie dieses Empfehlungssystem:

• Offline über eine E-Mail-Marketingkampagne oder wenn sich der Benutzer auf der Website befindet, während er angemeldet ist.

Das System kann Werbeanzeigen senden oder diese Empfehlungen auf der Website abgeben:

• Punkt 3 zu Kunde B

  Empfohlen, weil Kunde B Artikel 1 und 2 gekauft hat und beide Artikel Artikel 3 ähnlich sind.

  • Artikel 4, dann Artikel 2, zu Kunde C

    Empfohlen, weil Kunde C Artikel 3 und 5 gekauft hat. Punkt 5 ist ähnlich zu Punkt 4 (Ähnlichkeitswert: 0. 82). Punkt 2 ist ähnlich zu Punkt 3 (Ähnlichkeitswert: 0,45).

  • Punkt 2 bis Kunde D

    Empfohlen, weil Kunde D die Artikel 3, 4 und 5 gekauft hat. Artikel 3 ist ähnlich wie Artikel 2.

  • Artikel 1 bis Kunde E

    Empfohlen, weil Kunde E Artikel 2 gekauft hat und 3, die beide mit Artikel 1 identisch sind.

  • Artikel 3 bis Kunde F

    Empfohlen, weil Kunde F Artikel 1, 2, 4 und 5 gekauft hat. Artikel 1, 2 und 5 sind ähnlich wie Artikel 3

  • Punkt 2 an Kunde G

    Empfohlen, weil Kunde G die Artikel 1 und 3 gekauft hat. Beide sind Artikel 2 ähnlich.

  • Artikel 2, dann Artikel 3, Kunde H

    Empfohlen, weil Kunde H gekaufter Artikel 1. Artikel 1 ist ähnlich wie Artikel 2 und 3.

  • Nicht bestimmer Artikel an Kunde A

    Idealerweise sollten Sie mehr Artikel und Benutzer haben. Und es sollte einige Artikel geben, die ein Kunde gekauft hat, die anderen Artikeln ähneln, die er noch nicht gekauft hat.

  • Unbestimmter Artikel an Kunde I

    In diesem Fall reichen die Daten nicht aus, um als Grundlage für eine Empfehlung zu dienen. Dies ist ein Beispiel des Kaltstartproblems.

  • Online über eine Seitenansicht, während der Benutzer nicht angemeldet ist.