Holiday Shopping Shop Smart Med Amazons Anbefalingsmotor
På julen sliter mange av oss med å velge den mest passende gave til våre kjære. Gavejakt til jul kan kreve dager med planlegging, noen ganger uker. Bortsett fra sin bestemte morsomme og gledelige del, Christmas shopping kan være en tidkrevende og stressende opplevelse.
Heldigvis i en alder av avansert teknologi er det fritt tilgjengelige verktøy som kan gjøre shoppingprosessen mye mer effektiv og produktiv. I dette innlegget vil jeg vise deg hvordan en av verdens største forhandler, Amazon.com, kan hjelpe deg finne de beste gaver for dine venner og familie innen en rimelig tidsramme ved hjelp av sin smarte anbefalingsmotor.
Personlig brukeropplevelse
Verdens mest vellykkede nettsteder som Amazon, Facebook og Youtube er så populære fordi De tilbyr en personlig brukeropplevelse for alle.
Tilpasning av brukeropplevelse betyr i utgangspunktet at selskapene observere brukerne mens de navigerer gjennom deres nettsted og utfører forskjellige handlinger på den. De samler dataene i fine databaser, og analyserer det.
Er det ikke skadelig for personvern? Fra et visst synspunkt, ja det er det; Disse selskapene kan vite mer om oss enn våre nærmeste venner eller til og med oss selv. På den andre siden, de tilbyr oss en tjeneste som kan gjøre livet enklere, og våre beslutninger bedre informert.
Hvis vi ser på det fra et transaksjonsmessig synspunkt, betaler vi for en forbedret brukeropplevelse og komfort, med en del av vår personvern.
Selvfølgelig er juridiske kamper mellom leverandører av Internett-innhold og myndigheter konstant, bare tenk på den ikke så elskede EU-cookie loven, men som å velge ut er mindre og mindre et realistisk alternativ for noen som ønsker å nyte en 21-talls livsstil, kan det være nyttig å forstå hvordan personlige anbefalinger fungerer bak kulissene.
Teknikken bak Amazonas anbefalinger
Mens du går gjennom Amazonas nettsted, kan vi finne personlige anbefalinger overalt under overskrifter som “Ny for deg”, “Anbefalinger for deg i Kindle Store”, “Anbefalte anbefalinger”, “kunder som kjøpte denne varen kjøpte også”, og mange andre.
Anbefalinger har vært integrert i hver enkelt del av innkjøpsprosessen fra produktoppslag til kassen. Tilpassede anbefalinger er drevet av en intelligent anbefalingsmotor som blir kjent med brukerne bedre og bedre når de bruker nettstedet.
For å forstå anbefalingssystemer bedre, er det en god idé å tenke på dem som avanserte versjoner av søkemotorer. Når vi ser opp et element på Amazon, returnerer det ikke bare resultatene, men også gjør spådommer om produktene vi måtte trenge, og viser sine anbefalinger for oss.
Recommender-systemer bruker forskjellige typer maskinalarm algoritmer, og de har blitt kommersielt implementerbare med utviklingen av stor datateknologi. Anbefaling motorer er data-drevne produkter, som de trenger å finne det mest relevante små datasettet i det store hav av store data.
Beregningsoppgaven som anbefalingssystemer trenger å løse er kombinasjonen av prediktiv analyse og filtrering
De bruker ett av følgende tilnærminger:
(1) Samarbeidspros Filtering, som ser etter likheter mellom samarbeidsdata for eksempel kjøp, rangeringer, liker, oppvoter, downvotes i:
- enten bruker-brukermatrise, der anbefalinger genereres basert på valg av andre kunder som likte, kjøpte, vurdert, etc. lignende produkter,
- eller produkt-produktmatrise, hvor anbefalingsmotoren returnerer produkter som ligner på kjøp, liker, karakterer etc. til produktene den nåværende brukeren har kjøpt, vurdert, likte, oppvotert før
Amazon bruker sistnevnte, da det er mer avansert (se detaljert i neste avsnitt).
(2) Innholdsbasert filtrering, som gjør forutsigelser basert på likheter mellom objektive egenskaper av produkter som spesifikasjoner, beskrivelser, forfattere, og også på tidligere brukerinnstillinger (som ikke sammenlignes med andre brukeres preferanser).
(3) Hybrid filtrering, som bruker en slags kombinasjon av samarbeid og innholdsbasert filtrering.
Produkt-produktmatrisen
Den tradisjonelle samarbeidsfiltreringen bruker brukergrensesnittet, og over en viss mengde data har det alvorlige ytelsesproblemer.
For å matche innstillingene, rangeringer, kjøp av alle brukere og finn de som er nærmest den aktive brukeren, anbefalingsmotoren må analysere hver bruker i databasen og matche dem mot den nåværende.
Hvis vi tenker på Amazonas størrelse, er det klart at denne typen filtrering ikke er mulig for dem, så Amazons ingeniører utviklet en oppgradert versjon av den tidligere metoden, og kalte den samarbeidspartnere fra element til produkt.
Artikkel-til-produkt samarbeidsfiltrering holder samarbeidsmessig suksess som referanse i stedet for produktets objektive kvaliteter (se innholdsbasert filtrering ovenfor), men kjører spørringene i produktproduktmatrisen som betyr at den ikke sammenligner brukere, men sammenligner i stedet produkter.
Anbefalingsmotoren tar en titt på produktene vi har kjøpt, vurdert, lagt inn på vår ønskeliste, kommenterte osv. Så langt, så ser vi opp andre elementer i databasen som har lignende priser og kjøp, samler dem og returnerer deretter best matcher som anbefalinger.
Slik får du bedre anbefalinger
Tilbake til julehandel, er det mulig å Tren Amazonas anbefalingsmotor for å få bedre resultater. Hvis du bare har en vag idé om hva du skal kjøpe for en kjære, trenger du ikke å gjøre noe annet enn å forlate spor på nettsiden mens du surfer.
For dette innleggets skyld har jeg prøvd dette ut av meg selv.
Mitt utgangspunkt var at jeg ønsket å finne noen mindre kontormøbler, men visste ikke nøyaktig hva. Så jeg skrev inn noen relaterte søkeord i søkefeltet, og begynte å bla gjennom resultatene. Jeg satte elementene jeg likte inn i min ønskeliste, vurdert noen vurderinger som “Hjelpsom”, falt noen kontormøbler i kurven min.
Hvis jeg noen gang har kjøpt et lignende element på Amazon, ville det vært ganske nyttig å skrive en anmeldelse på det, men faktisk kunne jeg ikke gjøre det (du kan bare skrive anmeldelser på produkter du allerede har kjøpt).
Etter ca 10-15 minutter stoppet jeg og klikket på anbefalingssidene mine (som finnes under “[Ditt navn] 's Amazon” menypunkt). Før eksperimentet hadde jeg bare bøker på denne siden, som det er det jeg vanligvis kjøper på Amazon. Etter min omfattende oppslag har bøkene forsvunnet og blitt erstattet av kule kontormøbler, som du kan se nedenfor.
Tweaking The Engine
Det er mulig å videreutøve anbefalingsmotoren, som under hver anbefaling det er en “Hvorfor anbefales?” link. Blant mine anbefalinger kan du se en bin liner (siste gjenstand), som ikke er et kontormøbler produkt og en jeg ikke vil kjøpe til jul.
Så la oss se hvorfor det er her.
Etter å ha klikket på linken, informerer Amazon meg om at det ble anbefalt fordi jeg satte en bestemt kontor datamaskin stol i kurven min. Vel, det er en interessant forbindelse, men jeg trenger det fortsatt ikke.
Jeg har to alternativer her, jeg kan enten krysse “Ikke interessert” merk av i boksen ved siden av skuffen, eller “Ikke bruk for anbefalinger” ved siden av kontorstolen. Jeg krysser på “Ikke interessert” avkrysnings.
Og på dette tidspunktet har bin liner forsvunnet, erstattet med et annet anbefalt produkt, noe som betyr at jeg er ett skritt nærmere den perfekte gaven.
Synd om jeg noensinne vil trenge den nøyaktige bin liner i fremtiden skjønt. Å vent. Jeg har funnet løsningen for det. Under “Forbedre dine anbefalinger” menypunkt, kan jeg redigere elementene jeg har merket med “Ikke interessert” merkelapp
Når jeg har funnet min forestillede gavejakt, kan jeg ganske enkelt fjerne merket av produktene jeg kanskje vil se blant mine anbefalinger i fremtiden.