Holiday Shopping Shop Smart Med Amazons Anbefalingsmotor

I juletiden kæmper mange af os med at vælge den mest passende gave til vores kære. Gavejagt til jul kan kræve planlægningsdage, nogle gange uger. Bortset fra sin særlige sjove og glædelige del, Julhandel kan være en tidskrævende og stressende oplevelse.

Heldigvis i en alder af avanceret teknologi er der frit tilgængelige værktøjer, som kan gøre indkøbsprocessen langt mere effektiv og produktiv. I dette indlæg vil jeg vise dig, hvordan en af ​​verdens største forhandlerwebsite, Amazon.com kan hjælpe dig finde de bedste gaver til dine venner og familie inden for en rimelig tidsramme ved hjælp af sin smarte anbefalingsmotor.

Personlig brugeroplevelse

Verdens mest succesfulde websites som Amazon, Facebook og Youtube er så populære, fordi de tilbyder en personlig brugeroplevelse til alle.

Tilpasning af brugeroplevelse betyder stort set, at virksomhederne observere deres brugere, mens de navigerer gennem deres websted og udfører forskellige handlinger på det. De indsamler dataene i pæne databaser og analyserer det.

Er det ikke skadeligt for privatlivets fred? Fra et bestemt synspunkt, ja det er det; disse virksomheder kan vide mere om os end vores nærmeste venner eller endda os selv. På den anden side, de tilbyder os en tjeneste, der kan gøre vores liv lettere, og vores beslutninger bedre informeret.

Hvis vi ser det fra et forretningsmæssigt synspunkt, betaler vi "for en forbedret brugeroplevelse og komfort, med en del af vores privatliv.

Selvfølgelig er juridiske kampe mellem online-indholdsleverandører og myndigheder konstant, tænk bare på den ikke så elskede EU-cookielov, men som at vælge bort er mindre og mindre en realistisk mulighed for en person, der ønsker at nyde et 21. århundredes livsstil, kan det være nyttigt at forstå, hvordan personlige anbefalinger fungerer bag kulisserne.

Teknikken bag Amazonas anbefalinger

Under navigering via Amazons hjemmeside kan vi finde personlige henstillinger overalt under overskrifter som “Ny for dig”, “Anbefalinger til dig i Kindle Store”, “Anbefalede anbefalinger”, “Kunder, der købte denne vare, købte også”, og mange andre.

Anbefalinger har været integreret i hver enkelt del af indkøbsprocessen fra produkt opslag til kassen. Tilpassede anbefalinger er drevet af en intelligent anbefalingsmaskine, der får brugere bedre og bedre at kende, da de bruger hjemmesiden.

For at forstå anbefalingssystemerne bedre er det en god ide at tænke på dem som avancerede versioner af søgemaskiner. Når vi ser et emne på Amazon, returnerer det ikke bare resultaterne, men også gør forudsigelser om de produkter, vi måtte have brug for, og viser sine anbefalinger til os.

Recommender-systemer anvender forskellige former for maskinindlæringsalgoritmer, og de er blevet kommercielt implementerbare med udviklingen af ​​stor datateknologi. Anbefaling motorer er data-drevne produkter, som de skal finde de mest relevante små datasæt i det store hav af store data.

Beregningsopgaverne, som anbefalingssystemer skal løse, er kombinationen af prædiktiv analyse og filtrering

De bruger en af ​​følgende fremgangsmåder:

(1) Samarbejdsfiltrering, der ser efter ligheder mellem samarbejdsmæssige data såsom køb, vurderinger, likes, opvotes, downvotes i:

• enten bruger-bruger matrix, hvor anbefalinger genereres ud fra valg af andre kunder, der kunne lide, købt, bedømt osv. lignende produkter,
• eller den produkt-produkt matrix, hvor anbefalingsmotoren returnerer produkter, der ligner hinanden i køb, lignende, vurderinger osv. til de produkter, som den aktuelle bruger har købt, bedømt, godt lide, opvoted Før

Amazon bruger sidstnævnte, da det er mere avanceret (se detaljeret i næste afsnit).

(2) Content-Based Filtering, der gør forudsigelser baseret på lighederne mellem objektive karakteristika ved produkter som specifikationer, beskrivelser, forfattere og også på brugerens tidligere præferencer (der sammenlignes ikke her med andre brugeres præferencer).

(3) Hybrid filtrering, der bruger en slags kombination af samarbejds- og indholdsbaseret filtrering.

Produkt-produktmatrixen

Den traditionelle samarbejdsfiltrering gør brug af bruger-brugermatrixen, og over en vis mængde data har det alvorlige ydeevneproblemer.

For at matche præferencerne, vurderinger, køb af alle brugere og Find dem, der er tættest på den aktive bruger, anbefalingsmotoren skal analysere hver bruger i databasen og match dem mod den nuværende.

Hvis vi tænker på Amazons størrelse, er det klart, at denne type filtrering ikke er mulig for dem, så Amazons ingeniører udviklede en opgraderet version af den tidligere metode og kaldte den item-to-item samarbejdsfiltrering.

Samarbejdsparametre fra produkt til produkt fortsætter samarbejde succes som benchmark i stedet for produktets objektive kvaliteter (se indholdsbaseret filtrering ovenfor), men kører spørgsmålet i produktproduktmatrixen, hvilket betyder, at det ikke sammenligner brugere, men sammenligner i stedet produkter.

Anbefalingsmotoren kigger på de produkter, vi har købt, bedømt, sat på vores ønskeliste, kommenterede osv. Hidtil, så ser vi andre elementer i databasen, der har lignende priser og køb, samler dem og returnerer derefter bedst matcher som anbefalinger.

Sådan får du bedre anbefalinger

Tilbage til julehandel er det muligt at træne Amazons anbefalingsmotor for at få bedre resultater. Hvis du kun har en vag idé om, hvad du skal købe til en elsket, behøver du ikke gøre andet end at efterlade spor på hjemmesiden, mens du surfer.

Af hensyn til dette indlæg har jeg prøvet dette ud af mig selv.

Mit udgangspunkt var, at jeg ønskede at finde nogle mindre kontormøbler, men vidste ikke helt hvad. Så jeg indtastede nogle relaterede søgeord i søgelinjen og begyndte at gennemse resultaterne. Jeg lagde de varer, jeg kunne lide i min ønskeliste, vurderede nogle anmeldelser som “Nyttig”, faldt nogle kontormøbler i min kurv.

Hvis jeg nogensinde har købt en lignende vare på Amazon, ville det have været ganske nyttigt at skrive en anmeldelse på det, men jeg kunne faktisk ikke gøre det (du kan kun skrive anmeldelser på produkter, som du allerede har købt).

Efter ca. 10-15 minutter stoppede jeg og klikede på min anbefaling sider (som findes under “[Dit navn] Amazon” menupunkt). Før eksperimentet havde jeg kun bøger på denne side, da det er det, jeg normalt køber på Amazon. Efter mit omfattende opslag er bøgerne forsvundet og er blevet erstattet af kølige kontormøbler, som du kan se nedenfor.

Tweaking The Engine

Det er muligt at videre træne anbefalingsmotoren, som under hver anbefaling der er en “Hvorfor anbefales?” link. Blandt mine anbefalinger kan du se en bin liner (sidste vare), som ikke er et kontormøbler produkt og en jeg ikke ønsker at købe til jul.

Så lad os se, hvorfor det er her.

Efter at have klikket på linket informerer Amazon mig om, at det blev anbefalet, fordi jeg satte en bestemt kontorcomputerstol i min kurv. Nå, det er en interessant forbindelse, men jeg har stadig ikke brug for det.

Jeg har to muligheder her, jeg kan enten krydsse “Ikke interesseret” afkrydsningsfeltet ud for bakken eller den “Brug ikke til anbefalinger” ved siden af ​​kontorstolen. Jeg krydser “Ikke interesseret” afkrydsningsfeltet.

Og på dette tidspunkt er bin liner forsvundet, erstattet med et andet anbefalet produkt, hvilket betyder, at jeg er et skridt tættere på den perfekte gave.

Alt for dårlig, hvis jeg nogensinde har brug for den nøjagtige bin liner i fremtiden selv. Oh vent. Jeg har fundet løsningen til det. Under “Forbedre dine anbefalinger” menupunkt, jeg kan redigere de elementer, jeg har markeret med “Ikke interesseret” etiket

Når jeg har fundet min forestillede gave jagt, kan jeg bare fjerne de produkter, jeg måske vil se blandt mine anbefalinger i fremtiden.