亚洲城ca88官方网站欢迎您 >娱乐 >你为什么推荐我一件红色羊毛袜? 仕组み推荐机制和机器学习 >

你为什么推荐我一件红色羊毛袜? 仕组み推荐机制和机器学习

2019-08-28 13:18:14 来源:工人日报

  

“我也买了这些产品”的背景......

你可以在亚马逊购物时看到它,“购买此产品的人也买了这样的产品”专栏。

如果你正在看柯南道尔的夏洛克福尔摩斯的The Scarlet Blues页面,你仍然会知道推荐四个签名。 但是,你有没有推荐过一款会让你觉得“你为什么问我这样的东西......”的产品?

或者,相反,您是否有过被完全覆盖您的偏好的推荐阵容所淹没的经历?

黑田支持这项经验,“推荐技术”。 如果你是一名工程师,你应该担心它是如何运作的。

在本文中,我将解释各种推荐技术与热门话题“机器学习”之间的关系。

传统的“再营销”推荐产品一经查看

虽然它主要是网站和网络服务的广告方法,而不是EC网站,但我们引用传统的“再营销”作为一个很好的比较目标。

再营销是一种广告,其中您浏览过的网站曾向用户提供cookie,然后追逐。 它主要显示在网站上的搜索引擎和广告领域。

使用再营销是为了鼓励因某种原因离开网站的用户再次采取行动,并在适当的时间推出可重复购买的产品广告,如“补充洗涤剂”并重复使用。有些事情要问。

顺便说一句,有一个同义词“重定向”,但谷歌网络上扩展的内容是“再营销”,
如果雅虎网络被称为“重新定位”,它似乎就像是一场地盘战。

在“动态再营销”中,我们会更进一步,我们会记住用户在网站上查看的页面,并为该历史记录提供最佳产品广告等。

跟踪再营销

但是,推荐技术与这些完全不同。 因为,即使“尚未看到的产品”也可能适合作为推荐对象。

换句话说,为了建立最新的推荐技术,仅仅跟踪用户是不够的,并且存在“如何为特定用户找到最佳推荐”的分析方面。

使用偏好分身的“协作过滤”

这里出现了称为“协同过滤”的数学和统计方法。 简而言之,在以下过程中执行协同过滤。

在网站上购买用户的行为,例如,为每个用户收集诸如“我购买/浏览/未浏览项目a”,“评论分数为5/4/3/2/1”等偏好数据。 ·商店。
已访问该站点的用户A的偏好数据被评分为数据库中的所有用户具有偏好的接近程度。
使用2.中给出的分数作为权重来计算每个产品的分数。

让我们更具体地补充每一步。

老师解释协同过滤

在1中的数据存储的情况下,通常使用Python的嵌套字典,其与机器学习兼容。 然后很容易访问(用户,产品)对的分数,后面的步骤将顺利进行。
访问2中的站点的用户A与数据手册上的用户之间的“亲密度”主要通过诸如欧几里德距离和皮尔逊相关系数的度量来评估。
3.数据库上的用户

{1,2,3,...,n}

加权(相似度)

{w_1,w_2,...,w_n}

,每个用户的产品得分

{a_1,a_2,...,a_n}

就此而言,用户A对产品a的分数的预测是

w_1 a_1 + w_2 a_2 + ... + w_n a_n

它是通过标准化获得的

该系统实现的结果是得分预测系统,其中如果用户A'与用户A具有相似的品味,则其得分以颜色反映。

由于A应以各种方式触及A的缺乏经验的东西,因此可以利用A的推荐等级。

可以说,对于已经流入的用户A,发现了许多“偏好分机”,并且通过使用他们的经验来推荐A。 这是协同过滤的基本机制。

如果您想了解有关内容和编码的更多信息,可以参考下一本书的第2章。

“ ”(O'Reilly Japan)

建议使用红色羊毛袜

我们介绍了协同过滤的机制,但是有很多种机制用于建议。

最后,我试图总结推荐“红色羊毛袜”的经验。

案例技术

在一个外语学习支持网站,再营销我几天前看到的一个基于时尚的EC网站提供了一个促销“红色羊毛袜”的广告

在亚马逊购买轻便夹克时,协同过滤一直在推动红色羊毛袜

在主要门户网站上阅读“Fashion-Fall”类别中的文章时,基于内容的过滤链接到亚马逊推广红色羊毛袜子在文章的最后

当我读到文章“如何抓羊毛”时,贝叶斯网络已被展示为红色羊毛袜广告

“剩下的红色羊毛袜的趋势是980日元!现在只有便宜的价格!”
基于意图的过滤

如果您认为“这是什么?”,请务必检查机制。

“机器学习”相关报道





(责任编辑:夏萆)
  • 热图推荐
  • 今日热点