พื้นฐานของตัวกรองความร่วมมือตามผู้ใช้ในการวิเคราะห์แบบคาดการณ์ - มัมมี่

ด้วยวิธีการกรองแบบมีส่วนร่วมสำหรับผู้ใช้ในการวิเคราะห์เชิงคาดการณ์ระบบสามารถคำนวณความคล้ายคลึงกันระหว่างคู่ของผู้ใช้โดยใช้สูตรความคล้ายคลึงกันของโคไซน์ซึ่งเป็นเทคนิคเดียวกับวิธีการที่ใช้รายการ โดยปกติแล้วการคำนวณดังกล่าวใช้เวลานานกว่าและอาจจำเป็นต้องคำนวณบ่อยกว่าที่ใช้ในวิธีการตามรายการ นั่นเป็นเพราะ

คุณจะมีผู้ใช้มากกว่ารายการ (อย่างนึกคิด)
คุณคาดหวังให้รายการเปลี่ยนน้อยกว่าผู้ใช้
เมื่อมีผู้ใช้เพิ่มขึ้นและมีการเปลี่ยนแปลงน้อยลงในรายการที่นำเสนอคุณสามารถใช้แอตทริบิวต์อื่น ๆ ได้มากกว่าเพียงแค่ประวัติการซื้อเมื่อคำนวณความคล้ายคลึงกันของผู้ใช้

ระบบที่ใช้สำหรับผู้ใช้สามารถใช้อัลกอริทึมการเรียนรู้ด้วยเครื่องจักรเพื่อจัดกลุ่มผู้ใช้ทั้งหมดที่แสดงให้เห็นว่ามีรสนิยมเดียวกัน ระบบสร้างที่อยู่อาศัยของผู้ใช้ที่มีโปรไฟล์โปรไฟล์รูปแบบการซื้อหรือรูปแบบการให้คะแนนที่คล้ายคลึงกัน หากคนในละแวกใกล้เคียงซื้อและชอบรายการระบบ recommender สามารถแนะนำรายการนั้นแก่ทุกคนในละแวกเดียวกัน

ในตอนแรกระบบสามารถขอให้ผู้ใช้สร้างโปรไฟล์เพื่อสร้างรายละเอียดโดยตั้งคำถามและเพิ่มประสิทธิภาพคำแนะนำหลังจากที่ข้อมูลการซื้อของผู้ใช้สะสมขึ้น

Netflix เป็นตัวอย่างของการสร้างโปรไฟล์สำหรับลูกค้าแต่ละรายอย่างรวดเร็ว นี่คือขั้นตอนทั่วไป:

Netflix ขอเชิญชวนลูกค้าตั้งค่าคิวของภาพยนตร์ที่พวกเขาต้องการดู

ภาพยนตร์ที่เลือกจะได้รับการวิเคราะห์เพื่อเรียนรู้เกี่ยวกับรสนิยมของลูกค้าในภาพยนตร์
รูปแบบการคาดการณ์แนะนำให้ดูภาพยนตร์มากขึ้นสำหรับลูกค้าที่ดูตามภาพยนตร์ที่อยู่ในคิว
ตัวอย่างเมทริกซ์ของลูกค้าและรายการซื้อของพวกเขา - เป็นตัวอย่างของการกรองแบบร่วมมือกันตามผู้ใช้ เพื่อความเรียบง่ายให้ใช้กฎที่ผู้ใช้สร้างโดยผู้ใช้ที่ซื้อสินค้าอย่างน้อยสองอย่างกัน

ลูกค้า

รายการ 1	รายการที่ 2	รายการ 3	รายการ 4	รายการ 5
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
มีย่านที่อยู่อาศัยสามแห่ง ได้แก่ N1, N2 และ N3ผู้ใช้ทุกคนในย่าน N1 และ N2 ได้ซื้อสินค้าอย่างน้อย 2 รายการกับผู้อื่นในละแวกเดียวกัน N3 คือผู้ใช้ที่ยังไม่ผ่านเกณฑ์และจะไม่ได้รับคำแนะนำจนกว่าจะซื้อสินค้าอื่น ๆ เพื่อให้เป็นไปตามเกณฑ์	นี่คือตัวอย่างวิธีที่คุณสามารถใช้ระบบแนะนำนี้ได้:
ออฟไลน์	ผ่านแคมเปญการตลาดทางอีเมลหรือหากผู้ใช้อยู่ในเว็บไซต์ในขณะที่ลงชื่อเข้าใช้ระบบสามารถส่งโฆษณาทางการตลาดหรือแนะนำ บนเว็บไซต์ดังต่อไปนี้

รายการ 3 สำหรับลูกค้า B

รายการที่ 4 สำหรับลูกค้า C

รายการที่ 1 สำหรับลูกค้า E รายการที่ 3 สำหรับลูกค้า F

รายการที่ 2 แก่ลูกค้า G
ไม่ทราบ สินค้าให้กับลูกค้า A และ D
คุณควรมีสินค้ามากกว่า 6 รายการ และควรมีบางรายการในบริเวณใกล้เคียงของลูกค้าซึ่งลูกค้ายังไม่ได้ซื้อ
รายการที่ไม่ได้กำหนดให้กับลูกค้า H และ I
ในกรณีนี้ข้อมูลไม่เพียงพอที่จะใช้เป็นข้อเสนอแนะ
ข้อแตกต่างที่สำคัญอย่างหนึ่งก็คือเนื่องจากลูกค้าแต่ละรายเป็นสมาชิกกลุ่มใด ๆ การซื้อในอนาคตที่สมาชิกรายหนึ่งจะทำจะได้รับการแนะนำให้กับสมาชิกคนอื่น ๆ ของกลุ่มจนกว่าจะมีการฝึกอบรมตัวกรองใหม่ ลูกค้า A และ D จะเริ่มได้รับคำแนะนำอย่างรวดเร็วเนื่องจากพวกเขาอยู่ในละแวกใกล้เคียงและเพื่อนบ้านคนอื่น ๆ จะซื้ออะไรสักอย่างเร็ว ๆ นี้

ตัวอย่างเช่นถ้าลูกค้า B ซื้อหมวด 6 ระบบแนะนำจะแนะนำรายการที่ 6 ให้กับทุกคนใน N1 (ลูกค้า A, B, E, F และ G)
ลูกค้า F อาจอยู่ในละแวกเดียวกัน N1 หรือ N2 ขึ้นอยู่กับว่ามีการใช้อัลกอริทึมการกรองร่วมกันอย่างไร

ลูกค้า H และฉันเป็นตัวอย่างของปัญหาการเริ่มต้นสตาร์ท

ลูกค้าเพิ่งสร้างข้อมูลไม่เพียงพอที่จะถูกจัดกลุ่มเป็นพื้นที่ใกล้เคียงของผู้ใช้ ในกรณีที่ไม่มีโปรไฟล์ผู้ใช้ลูกค้ารายใหม่ที่มีประวัติการซื้อน้อยหรือไม่มีเลยหรือผู้ที่ซื้อสินค้าที่คลุมเครือมักจะก่อให้เกิดปัญหาในการเริ่มต้นใช้งานระบบโดยไม่คำนึงถึงวิธีการกรองร่วมที่ใช้อยู่

ลูกค้าฉันแสดงให้เห็นถึงลักษณะของปัญหาการเริ่มเย็นซึ่งเป็นเอกลักษณ์เฉพาะสำหรับแนวทางที่ผู้ใช้กำหนด วิธีการตามรายการจะเริ่มค้นหารายการอื่น ๆ ที่คล้ายคลึงกับสินค้าที่ลูกค้าซื้อ จากนั้นถ้าผู้ใช้รายอื่นเริ่มซื้อรายการที่ 6 ระบบจะเริ่มให้คำแนะนำได้

ไม่ต้องซื้อสินค้าเพิ่มเติมจากผู้ใช้ วิธีการตามรายการสามารถเริ่มแนะนำได้ อย่างไรก็ตามในระบบผู้ใช้งานลูกค้าต้องสั่งซื้อเพิ่มเติมเพื่อเป็นพื้นที่ใกล้เคียงของผู้ใช้ ระบบยังไม่สามารถให้คำแนะนำได้ เอาล่ะมีสมมติฐานในการทำงานในตัวอย่างง่ายๆเหล่านี้นั่นคือลูกค้าไม่เพียงซื้อสินค้า แต่ชอบมากพอที่จะซื้อสินค้าในลักษณะเดียวกัน เกิดอะไรขึ้นถ้าลูกค้าไม่ชอบสินค้า ระบบต้องการอย่างน้อยที่สุดเพื่อให้ได้ความแม่นยำที่ดีขึ้นในข้อเสนอแนะ คุณสามารถเพิ่มเกณฑ์ในระบบ recommender เพื่อจัดกลุ่มผู้ที่ให้คะแนนที่ใกล้เคียงกับรายการที่ซื้อถ้าระบบพบลูกค้าที่ชอบและไม่ชอบสินค้าชิ้นเดียวกันสมมติว่ามีความแม่นยำสูงถูกต้อง กล่าวอีกนัยหนึ่งมีความเป็นไปได้สูงที่ลูกค้าจะมีรสนิยมเดียวกัน