Мне всегда было любопытно, как работают эти системы. Например, как Netflix или Amazon определяют, какие рекомендации следует делать на основе прошлых покупок и/или рейтингов? Есть ли какие-нибудь алгоритмы для чтения?
Просто так нет никаких неправильных представлений, нет никакой практической причины для меня спрашивать. Я просто прошу из любопытства.
(Также, если есть существующий вопрос по этому вопросу, укажите мне его. "Система рекомендаций" - трудный термин для поиска.)
Это такое коммерчески важное приложение, что Netflix представил премию в 1 миллион долларов за улучшение своих рекомендаций на 10%.
Через пару лет люди приближаются (я думаю, что сейчас их около 9%), но это трудно по многим причинам. Вероятно, самым большим фактором или самым большим первоначальным улучшением в Прицеле Netflix было использование статистического метода, называемого декомпозиция особых значений.
Я настоятельно рекомендую вам читать Если вам это понравилось, Youre Sure to Love That для углубленного обсуждения премии Netflix в частности и системы рекомендаций в целом.
В принципе, хотя принцип Amazon и так далее: они ищут шаблоны. Если кто-то купил "Трилогию Звездных войн", то там лучше, чем даже шанс, что им нравится Баффи Истребительница вампиров больше, чем средний клиент (чисто составленный пример).
У него самые основные, большинство систем рекомендаций работают, говоря одну из двух вещей.
Пользовательские рекомендации:
Если пользователю A нравятся элементы 1,2,3,4 и 5,
И пользователь B любит элементы 1,2,3 и 4
Тогда пользователь B, скорее всего, также понравится пункт 5
Рекомендации по элементам:
Если пользователи, покупающие товар 1, также непропорционально склонны приобретать товар 2
И пользователь A купленный предмет 1
Тогда пользователь А, вероятно, будет интересоваться пунктом 2
И вот мозговой свалку алгоритмов, которые вы должны знать:
- Установить сходство (индекс Jaccard и коэффициент Tanimoto)
- n-мерное евклидово расстояние
- k-мерный алгоритм
- Поддержка векторных машин
В книге O'Reilly "Программирование коллективного интеллекта" есть хорошая глава, показывающая, как это работает. Очень читаемо.
Все примеры кода написаны на Python, но это не большая проблема.
GroupLens Research в Университете Миннесоты изучает системы рекомендаций и щедро делится своими исследования и наборы данных.
Их исследования расширяются каждый год и теперь учитывают специфику, например, сетевые сообщества, социальную фильтрацию совместного использования и проблемы пользовательского интерфейса при представлении сложных данных.
Алгоритм Netflix для своей системы рекомендаций на самом деле является конкурентным делом, в котором программисты продолжают конкурировать, чтобы добиться успеха в точности системы.
Но в самых основных терминах система рекомендаций рассмотрит выбор пользователей, которые точно соответствуют демографической/интересной информации другого пользователя.
Итак, если вы белый мужчина, 25 лет, из Нью-Йорка, система рекомендаций может попробовать и принести вам продукты, купленные другими белыми мужчинами на северо-востоке Соединенных Штатов в возрасте от 21 до 30 лет.
Изменить: Следует также отметить, что чем больше информации у вас есть о ваших пользователях, тем более тщательно вы можете уточнить свои алгоритмы в соответствии с тем, что делают другие люди, что может заинтересовать пользователя.
Это проблема классификации, то есть классификация пользователей в группы пользователей, которые могут быть заинтересованы в определенных элементах.
После того, как он классифицируется в такой группе, легко проверить покупки/нравы других пользователей в этой группе и рекомендовать их.
Поэтому байесовская классификация и нейронные сети (многослойные персептроны, радиальные базисные функции, опорные векторные машины) заслуживают внимания.
Один из методов состоит в том, чтобы сгруппировать пользователей в кластеры и рекомендовать продукты от других пользователей в том же кластере.
Более подробную информацию об этой теме вы найдете, если хотите:
Конечно, есть алгоритмы, которые будут рекомендовать вас с предпочтительными элементами. Для этого были реализованы различные методы интеллектуального анализа данных. Если вы хотите получить более подробную информацию о рекомендуемой системе, перейдите в этот блог. Здесь все основы были освещены, чтобы узнать о системе Рекомендаций.