Mājas lapa » Internets » Holiday Shopping Shop Smart Ar Amazon ieteikumu dzinēju

    Holiday Shopping Shop Smart Ar Amazon ieteikumu dzinēju

    Ziemassvētku laikā daudzi no mums cīnās ar sev piemērotāko dāvanu. Ziemassvētku dāvanu medībām var būt nepieciešamas plānošanas dienas, dažreiz nedēļas. Neatkarīgi no tā, ka tā ir jautra un prieka, Ziemassvētku iepirkšanās var būt laikietilpīga un stresa pieredze.

    Par laimi moderno tehnoloģiju laikmetā ir brīvi pieejami rīki, kas var padarīt iepirkšanās procesu daudz efektīvāku un produktīvāku. Šajā ziņojumā es jums parādīšu, kā viens no pasaules lielākajiem mazumtirgotāju vietnes Amazon.com jums palīdzēs atrast vislabākās dāvanas jūsu draugiem un ģimenei saprātīgā termiņā ar viedo ieteikumu dzinēju.

    Personalizētā lietotāja pieredze

    Pasaulē veiksmīgākās tīmekļa vietnes, piemēram, Amazon, Facebook un Youtube, ir tik populāras, jo tie piedāvā personalizētu lietotāju pieredzi ikvienam.

    Lietotāju pieredzes personalizēšana būtībā nozīmē, ka uzņēmumi novērot to lietotājus, kamēr viņi pārvietojas pa vietni un veic dažādas darbības uz tā. Tie apkopo datus veiklās datu bāzēs un to analizē.

    Vai tas nav kaitīgs privātumam? No konkrēta viedokļa, jā tā ir; šie uzņēmumi var uzzināt vairāk par mums, nekā mūsu tuvākajiem draugiem vai pat pašiem. No otras puses, viņi piedāvā mums pakalpojumu, kas var padarīt mūsu dzīvi vieglāku, un mūsu lēmumi ir labāk informēti.

    Ja mēs to aplūkojam no darījumu viedokļa, mēs "maksājam" par uzlabotu lietotāju pieredzi un komfortu, ar daļu no mūsu privātuma.

    Protams, juridiskās cīņas starp tiešsaistes satura nodrošinātājiem un iestādēm ir nemainīgas, tikai padomājiet par ne tik mīlēto ES sīkdatņu likumu, bet, tā kā atteikšanās ir mazāk reāla iespēja kādam, kas vēlas baudīt 21. gadsimta dzīvesveidu, tas var būt noderīga, lai saprastu, kā personalizēti ieteikumi darbojas aiz ainas.

    Tech Behind Amazon ieteikumi

    Navigējot caur Amazon vietni, mēs varam atrast personalizētus ieteikumus visur zem virsrakstiem, piemēram, “New For You”, “Ieteikumi jums iekurt veikalā”, “Ieteicamie ieteikumi”, “Klienti, kas nopirka šo preci, arī nopirka”, un daudzi citi.

    Ieteikumi ir bijuši integrēta katrā atsevišķā daļā iepirkuma procesu no produkta meklēšana uz izrakstu. Pielāgoti ieteikumi tiek izmantoti, izmantojot viedo ieteikumu dzinēju, kas labāk un labāk iepazīst lietotājus, izmantojot vietni.

    Lai labāk izprastu ieteikumu sistēmas, ir laba ideja par tiem domāt kā meklētājprogrammu uzlabotas versijas. Kad mēs meklējam Amazon objektu, tas ne tikai atgriež rezultātus, bet arī sniedz prognozes par produktiem, kas mums var būt vajadzīgi, un parāda mūsu ieteikumus.

    Ieteicamās sistēmas izmanto dažāda veida mašīnmācības algoritmus, un tie ir kļuvuši komerciāli realizējami, attīstot lielas datu tehnoloģijas. Ieteikumu dzinēji ir uz datiem orientēti produkti, kā viņiem ir jāatrod vissvarīgākais mazais datu kopums lielo datu milzīgajā okeānā.

    Skaitļošanas uzdevums, kas ieteikumu sistēmām ir jārisina, ir kombinācija prognozējošā analīze un filtrēšana

    Viņi izmanto vienu no šādām pieejām:

    (1) Sadarbības filtrēšana, kas meklē līdzības starp kopīgi dati piemēram, pirkumi, vērtējumi, patīk, upvotes,

    • vai nu lietotāja lietotāja matrica, kur ieteikumi tiek veidoti, balstoties uz citu klientu izvēli, kuriem patika, iegādājās, novērtēja utt,
    • vai produkta produkta matrica, ja ieteikuma dzinējs atgriež produktus, kas ir līdzīgi pirkumiem, patīkamajiem, vērtējumiem u.tml. produktiem, kurus pašreizējais lietotājs ir iegādājies, novērtējis, patika, paaugstinājis iepriekš

    Amazon izmanto pēdējo, jo tas ir vairāk attīstīts (sīkāk skatiet nākamajā sadaļā).

    (2) Filtrēšana pēc satura, kas paredz prognozes, kas balstās uz produktu objektīvo īpašību līdzībām, piemēram, specifiku, aprakstiem, autoriem, kā arī uz lietotāja iepriekšējām preferencēm (kas šeit nav salīdzinātas ar citu lietotāju vēlmēm).

    (3) Hibrīda filtrēšana, kas izmanto kādu no sadarbības un satura balstītas filtrēšanas kombinācijām.

    Produkta produkta matrica

    Tradicionālais sadarbības filtrēšanas veids izmanto lietotāja lietotāja matricu un, pārsniedzot noteiktu datu apjomu, ir nopietnas veiktspējas problēmas.

    Lai atbilstu visu lietotāju preferencēm, vērtējumiem, pirkumiem un atrast tos, kas ir vistuvāk aktīvajam lietotājam, ieteikuma dzinējam ir jāanalizē katram lietotājam datu bāzē un saskaņot tos ar pašreizējo.

    Ja mēs domājam par Amazon lielumu, ir skaidrs, ka šāda veida filtrēšana viņiem nav iespējama, tāpēc Amazon inženieri izstrādāja modernizētu iepriekšējās metodes versiju un to sauca par vienotu filtrēšanu ar vienumiem.

    Saglabājas vienības-vienības sadarbības filtrēšana panākumus kā etalonu produkta objektīvo īpašību vietā (skatiet iepriekš veikto satura filtrēšanu), bet veic produktu produkta matricas vaicājumus, kas nozīmē, ka tas nesalīdzina lietotājus, bet gan salīdzina produktus.

    Ieteikumu dzinējs aplūko produktus, ko esam iegādājušies, novērtējuši, ievietojuši mūsu vēlmju sarakstā, komentējuši utt., Tad meklē citus datubāzes elementus, kuriem ir līdzīgas likmes un pirkumi, tos apkopo, pēc tam atgriež vislabākās spēles kā ieteikumi.

    Kā iegūt labākus ieteikumus

    Atpakaļ pie Ziemassvētku iepirkšanās ir iespējams apmācīt Amazon ieteikumu dzinēju, lai iegūtu labākus rezultātus. Ja jums ir tikai neskaidra ideja par to, ko iegādāties mīļotajam, jums nav jādara nekas cits kā tikai atstāt pēdas tīmekļa vietnē pārlūkošanas laikā..

    Šī amata dēļ es pats to izmēģināju.

    Mans sākumpunkts bija tāds, ka es gribēju atrast dažas mazākas biroja mēbeles, bet tieši nezināju. Tāpēc meklēšanas joslā ievadīju dažus saistītus atslēgvārdus un sāka pārlūkot rezultātus. Es ievietojis tos elementus, kurus man patika, uz manu vēlmju sarakstu, novērtējot dažas atsauksmes “Noderīga”, manā grozā nokrita dažas biroja mēbeles.

    Ja es kādreiz esmu nopircis līdzīgu objektu pakalpojumā Amazon, būtu bijis ļoti noderīgi uzrakstīt pārskatu par to, bet patiesībā es to nevarēju darīt (varat tikai rakstīt atsauksmes par jau iegādātajiem produktiem).

    Pēc aptuveni 10-15 minūtēm es apstājos un noklikšķināju uz manu ieteikumu lapām (kuras var atrast zem “[Jūsu vārds] Amazon” izvēlnes punkts). Pirms eksperimenta man bija tikai grāmatas šajā lapā, jo to parasti pērku Amazon. Pēc manas plašas uzmeklēšanas grāmatas ir pazudušas un tās ir aizstātas ar vēsām biroja mēbelēm, kā jūs varat redzēt zemāk.

    Dzinēja izgriešana

    Ir iespējams tālāk apmācīt ieteikuma motoru, kā norādīts zemāk katram ieteikumam tur ir “Kāpēc ieteicams?” saite. Starp maniem ieteikumiem jūs varat redzēt bin līnijas (pēdējo vienumu), kas nav biroja mēbeļu produkts un kuru nevēlos iegādāties Ziemassvētkiem.

    Tātad, pieņemsim, kāpēc tas ir šeit.

    Pēc noklikšķināšanas uz saites, Amazon informē mani, ka tas tika ieteikts, jo manā grozā ievietoju noteiktu biroja datora krēslu. Nu, tas ir interesants savienojums, bet man tas joprojām nav vajadzīgs.

    Man ir divas iespējas, es varu atzīmēt “Neesmu ieinteresēts” izvēles rūtiņu blakus atkritumu tvertnei vai “Nelietojiet ieteikumiem” blakus biroja krēslam. Es atzīmēju “Neesmu ieinteresēts” izvēles rūtiņu.

    Un šajā brīdī tvertnes ieliktnis ir pazudis, aizstāts ar citu ieteicamo produktu, kas nozīmē, ka es esmu viens solis tuvāk ideālajai dāvanai.

    Pārāk slikti, ja nākotnē man būs vajadzīga precīza bin līnija. Pagaidi. Es to atradu. Saskaņā “Uzlabojiet savus ieteikumus” izvēlnes punkts, varu rediģēt vienumus, ko esmu atzīmējis ar “Neesmu ieinteresēts” marķējums

    Kad es esmu atradis savu iedomāto dāvanu medību, es varu vienkārši noņemt atzīmes no produktiem, kurus nākotnē varētu redzēt starp maniem ieteikumiem.