พื้นฐานของตัวกรอง Predictive Analytics ที่ใช้เนื้อหา - dummies

ระบบแนะนำการวิเคราะห์เนื้อหาตามคำแนะนำ เป็นส่วนใหญ่ตรงกับคุณลักษณะ (tagged keywords) โปรไฟล์ของผู้ใช้เพื่อให้คำแนะนำ เมื่อผู้ใช้ซื้อสินค้าที่ติดแท็กคุณลักษณะจะมีการแนะนำรายการที่มีคุณสมบัติตรงกับรายการเดิม คุณสมบัติตรงกับความต้องการมากขึ้นความน่าจะเป็นที่ผู้ใช้จะชอบคำแนะนำ ระดับความน่าจะเป็นนี้เรียกว่า ความแม่นยำ

ข้อมูลเบื้องต้นเกี่ยวกับแท็กเพื่ออธิบายรายการ

โดยทั่วไปแล้ว บริษัท ที่ทำการขาย (หรือผู้ผลิต) มักจะติดป้ายสินค้าด้วยคำหลัก อย่างไรก็ตามในเว็บไซต์ Amazon ดูเหมือนว่าจะไม่เคยเห็นแท็กสำหรับรายการใด ๆ ที่ซื้อหรือดูมาก่อนโดยไม่ต้องขอให้ติดแท็กรายการใด ๆ ลูกค้าสามารถตรวจสอบรายการที่ซื้อได้ แต่ก็ไม่เหมือนกับการแท็ก

แท็กรายการสามารถสร้างความท้าทายขนาดสำหรับร้านค้าเช่น Amazon ที่มีรายการจำนวนมาก นอกจากนี้แอตทริบิวต์บางประการอาจเป็นอัตวิสัยและอาจถูกแท็กไม่ถูกต้องขึ้นอยู่กับว่าใครเป็นผู้แท็ก โซลูชันหนึ่งที่ช่วยแก้ปัญหาการปรับขนาดคือเพื่อให้ลูกค้าหรือประชาชนทั่วไปสามารถติดแท็กรายการต่างๆได้

เพื่อให้สามารถจัดการแท็กได้อย่างถูกต้องและเป็นที่ยอมรับของเว็บไซต์ เฉพาะเมื่อผู้ใช้จำนวนที่เหมาะสมเห็นด้วย (กล่าวคือใช้แท็กเดียวกันเพื่ออธิบายรายการ) แท็กที่ตกลงกันไว้จะใช้เพื่ออธิบายรายการ

การติดแท็กตามผู้ใช้จะทำให้เกิดปัญหาอื่น ๆ สำหรับระบบการกรองเนื้อหา (และการกรองร่วมกัน):

ความน่าเชื่อถือ: ลูกค้าบางรายไม่บอกความจริง (โดยเฉพาะออนไลน์) และผู้ใช้ที่มี เพียงประวัติการประเมินขนาดเล็กเท่านั้นที่สามารถเอียงข้อมูลได้ นอกจากนี้ผู้ขายบางรายอาจให้คะแนนในเชิงบวกแก่ผลิตภัณฑ์ของตนเอง (หรือสนับสนุนให้ผู้อื่นให้คะแนน) ในขณะที่ให้คะแนนที่เป็นลบต่อผลิตภัณฑ์คู่แข่งของตน
ไม่ต่อเนื่อง: ไม่ระบุรายการทั้งหมดหรือจะให้คะแนนที่เพียงพอในการจัดทำข้อมูลที่เป็นประโยชน์
ไม่สอดคล้องกัน: ผู้ใช้ทั้งหมดไม่ใช้คำหลักเดียวกันในการติดแท็กรายการแม้ว่าความหมายจะเหมือนกันก็ตาม นอกจากนี้คุณลักษณะบางอย่างสามารถอัตนัย ตัวอย่างเช่นผู้ชมภาพยนตร์คนหนึ่งอาจพิจารณาสั้น ๆ ขณะที่อีกคนหนึ่งพูดว่ายาวเกินไป

แอตทริบิวต์ต้องมีคำจำกัดความที่ชัดเจน แอตทริบิวต์ที่มีขอบเขตน้อยเกินไปไม่สามารถประเมินได้ การกำหนดกฎเกณฑ์ที่มากเกินไปสำหรับแอตทริบิวต์อาจทำให้ผู้ใช้ต้องใช้งานมากเกินไปซึ่งจะทำให้ไม่สามารถให้แท็กรายการได้

การแท็กรายการส่วนใหญ่ในแคตตาล็อกผลิตภัณฑ์สามารถช่วยแก้ปัญหาการเริ่มต้นที่เย็นซึ่งทำให้เกิดการกรองร่วมกันได้อย่างไรก็ตามระยะเวลาหนึ่งความแม่นยำของคำแนะนำของระบบจะต่ำจนกว่าจะสร้างหรือได้รับโปรไฟล์ผู้ใช้

ต่อไปนี้คือตัวอย่างเมทริกซ์ของลูกค้าและรายการที่ซื้อของพวกเขาแสดงตัวอย่างของการกรองตามเนื้อหา

รายการ	คุณลักษณะ <	รายการที่ 1	X
คุณลักษณะ <	คุณลักษณะ 1	X
X	รายการ 3	X
X	X	รายการ 4	X
X	X	รายการ 5	X > X
X	ที่นี่ถ้าผู้ใช้ชอบ Feature 2 - และที่บันทึกไว้ในโปรไฟล์ของเธอระบบจะแนะนำรายการทั้งหมดที่มี Feature 2 อยู่ในรายการ: Item 1, Item 2 และ Item 4 > วิธีนี้ทำงานได้แม้ว่าผู้ใช้จะไม่เคยซื้อหรือตรวจทานรายการก็ตาม ระบบจะมองหาฐานข้อมูลผลิตภัณฑ์สำหรับรายการใด ๆ ที่มีการติดแท็กด้วยคุณลักษณะ 2 หาก (เช่น) ผู้ใช้ที่กำลังมองหาภาพยนตร์ที่มี Audrey Hepburn และการตั้งค่าดังกล่าวจะปรากฏในโปรไฟล์ของผู้ใช้ระบบจะแนะนำให้ทุกคน ภาพยนตร์ที่มี Audrey Hepburn ให้กับผู้ใช้รายนี้	ตัวอย่างเช่นนี้แสดงให้เห็นถึงข้อจํากัดของเทคนิคการกรองเนื้อหา: ผู้ใช้อาจรู้เกี่ยวกับภาพยนตร์ทั้งหมดที่ Audrey Hepburn เข้ามาหรือสามารถค้นพบได้ง่าย - ดังนั้นจากมุมมองของผู้ใช้ ระบบไม่ได้แนะนำอะไรใหม่หรือมีคุณค่า	การปรับปรุงความแม่นยำด้วยการตอบรับอย่างสม่ำเสมอ

วิธีหนึ่งในการปรับปรุงความแม่นยำของคำแนะนำของระบบคือการขอความคิดเห็นจากลูกค้าเมื่อใดก็ตามที่เป็นไปได้ การรวบรวมความคิดเห็นของลูกค้าสามารถทำได้หลายวิธีผ่านทางหลายช่องทาง บาง บริษัท ขอให้ลูกค้าให้คะแนนสินค้าหรือบริการหลังจากซื้อ ระบบอื่น ๆ มีลิงก์แบบโซเชียลมีเดียเพื่อให้ลูกค้าสามารถ "ชอบ" หรือ "ไม่ชอบ" ผลิตภัณฑ์ได้ การทำงานร่วมกันระหว่าง

การวัดประสิทธิภาพของคำแนะนำระบบ

ความสำเร็จของคำแนะนำของระบบขึ้นอยู่กับว่ามันมีคุณสมบัติตรงตามเกณฑ์สองข้อ:

ความแม่นยำ

(คิดว่าเป็นชุดของการจับคู่ที่สมบูรณ์แบบ - มักจะเป็นชุดเล็ก ๆ) และ

เรียกคืน

(คิดว่าเป็นชุดของการแข่งขันที่เป็นไปได้ซึ่งโดยปกติแล้วจะมีชุดใหญ่ขึ้น) นี่คือรูปลักษณ์ที่ใกล้ชิด: แม่นยำ วัดความถูกต้องของคำแนะนำของระบบ ความแม่นยำเป็นเรื่องยากที่จะวัดได้เนื่องจากสามารถวัดได้โดยอัตวิสัยและยาก ตัวอย่างเช่นเมื่อผู้ใช้เข้าชมไซต์ Amazon ครั้งแรก Amazon สามารถทราบได้อย่างแน่นอนว่าข้อเสนอแนะเหล่านั้นมีเป้าหมายหรือไม่? คำแนะนำบางประการอาจเชื่อมต่อกับความสนใจของลูกค้า แต่ลูกค้าอาจยังไม่ได้ซื้อ ความเชื่อมั่นสูงสุดว่าข้อเสนอแนะถูกต้องมาจากหลักฐานที่ชัดเจน: ลูกค้าซื้อสินค้า หรือระบบสามารถขอให้ผู้ใช้ให้คะแนนคำแนะนำได้อย่างชัดเจน Recall

ใช้วัดชุดคำแนะนำที่เป็นไปได้ที่ระบบของคุณนำมาใช้ นึกถึงการเรียกคืนเป็นรายการคำแนะนำที่เป็นไปได้ แต่ไม่ใช่ทั้งหมดเป็นคำแนะนำที่สมบูรณ์แบบ โดยทั่วไปมีความสัมพันธ์ผกผันกับความแม่นยำและการเรียกคืน นั่นคือเมื่อการเรียกคืนเพิ่มขึ้นความแม่นยำจะลดลงและในทางกลับกัน ระบบที่เหมาะจะมีทั้งความแม่นยำสูงและการเรียกคืนสูง แต่ในทางปฏิบัติผลที่ดีที่สุดคือการสร้างความสมดุลที่ละเอียดอ่อนระหว่างทั้งสองคน การเน้นความแม่นยำหรือการเรียกคืนจริงๆขึ้นอยู่กับปัญหาที่คุณกำลังพยายามแก้ไข