Cara menggunakan penapis kolaboratif berasaskan item dalam analisis ramalan - dummies

Salah satu sistem pengesyorkan Amazon untuk menggunakan analisis ramalan penapisan kerjasama berasaskan item - mencantumkan inventori besar produk dari pangkalan data syarikat apabila pengguna memaparkan satu item di laman web. Anda tahu anda melihat sistem penapisan kolaborasi berasaskan item (atau, selalunya, sistem berasaskan kandungan) jika ia menunjukkan anda cadangan pada pandangan item pertama anda, walaupun anda belum membuat profil.

Sepertinya keajaiban, tetapi tidak. Walaupun profil anda belum dicipta (kerana anda tidak dilog masuk atau anda tidak mempunyai sejarah penyemak imbas sebelumnya di laman web tersebut) sistem mengambil jumlah yang meneka: Ia mendasarkan cadangannya pada item sendiri dan pelanggan lain yang dilihat atau dibeli selepas (atau sebelum) mereka membeli item itu. Jadi anda akan melihat mesej pada skrin seperti

• Pelanggan yang membeli item ini juga membeli …

• Pelanggan yang membeli item dalam sejarah terkini anda juga membeli …

• Apa barangan lain yang dibeli pelanggan selepas melihat item ini?

Pada dasarnya, cadangan itu berdasarkan pada bagaimana item yang dilihat saat ini adalah serupa dengan item lain, berdasarkan tindakan pengguna pengguna.

Berikut menunjukkan matriks contoh pelanggan dan barang yang mereka beli. Ia akan digunakan sebagai contoh penapisan kolaborasi berasaskan item.

Pelanggan	Item 1	Item 2	Item 3	Item 4	Item 5	Item 6
A	X > X	X	B
X	X	C
X			X		D
X			X	X	E
X		X	X
X	X	X		X	G
X	X		H
X > Saya	X
						Sekarang mari kita lihat kesamaan item yang dikira menggunakan formula kesamaan kosinus. Rumusan untuk

persamaan cosine

adalah (A & middot; B) / (|| A || || B ||), di mana A dan B adalah item untuk membandingkan. Untuk membaca contoh berikut dan mengetahui bagaimana sepasang barang yang sama, cuma cari sel di mana kedua-dua item bersilang. Nombor tersebut akan berada di antara 0 dan 1. Nilai 1 bermakna item adalah sama dengannya; 0 bermakna mereka tidak serupa.

Item 6

0

0	0	0	0	Item 5	0. 26
0. 29	0. 52	0. 82	0	Item 4		0. 32
0. 35	0. 32	0. 82	0		Perkara 3	0. 40
0. 45	0. 32	0. 52		0	Perkara 2	0. 67
0. 45	0. 35		0. 29	0	Item 1	0. 67
0. 40		0. 32	0. 26	0	Item 1	Item 2
	Item 3	Item 4	Item 5	Item 6	Sistem boleh menyediakan senarai cadangan yang melebihi nilai kesamaan tertentu atau boleh mengesyorkan nombor barang	n

teratas.Dalam senario ini, anda boleh mengatakan bahawa sebarang nilai lebih besar daripada atau sama dengan 0. 40 adalah sama; sistem akan mengesyorkan item tersebut. Sebagai contoh, kesamaan antara item 1 dan item 2 adalah 0. 67. Kesamaan antara item 2 dan item 1 adalah sama. Oleh itu, ia adalah imej cermin merentasi pepenjuru dari bawah ke kiri ke kanan atas. Anda juga dapat melihat item 6 tidak sama dengan item lain kerana ia mempunyai nilai 0. Pelaksanaan sistem cadangan berdasarkan item ini dipermudah untuk menggambarkan bagaimana ia berfungsi. Untuk kesederhanaan, hanya gunakan satu kriteria untuk menentukan kesamaan item: sama ada pengguna membeli item tersebut. Sistem yang lebih kompleks boleh menjadi lebih terperinci dengan

Menggunakan profil yang dibuat oleh pengguna yang mewakili citarasa mereka

Memfaktorkan seberapa banyak pengguna suka (atau harga tinggi) item

• Menimbang berapa banyak item yang dibeli pengguna yang sama dengan item yang disyorkan berpotensi

• Membuat andaian tentang sama ada pengguna menyukai sesuatu item berdasarkan sama ada pengguna hanya melihat item itu, walaupun tiada pembelian dibuat

• Berikut adalah dua cara biasa yang anda boleh menggunakan sistem pengesyorkan ini:

• Offline melalui kempen pemasaran e-mel atau jika pengguna berada di laman web semasa log masuk

Sistem ini boleh menghantar iklan pemasaran atau membuat cadangan ini di laman web:

• Item 3 ke Pelanggan B

  Disyorkan kerana Pelanggan B membeli Item 1 dan 2, dan kedua-dua item adalah serupa dengan Item 3.

  • Item 4, kemudian Item 2, kepada Pelanggan C

    Disyorkan kerana Pelanggan C telah membeli Item 3 dan 5 Perkara 5 adalah serupa dengan Perkara 4 (nilai kesamaan: 0. 82). Perkara 2 adalah serupa dengan Perkara 3 (nilai kesamaan: 0. 45).

  • Item 2 kepada Pelanggan D

    Disyorkan kerana Pelanggan D dibeli Item 3, 4, dan 5. Item 3 sama dengan Item 2.

  • Item 1 kepada Pelanggan E

    Disyorkan kerana Pelanggan E telah membeli Item 2 dan 3, kedua-duanya sama dengan Perkara 1.

  • Perkara 3 kepada Pelanggan F

    Disyorkan kerana Pelanggan F membeli Item 1, 2, 4, dan 5. Item 1, 2, dan 5 adalah serupa dengan Perkara 3.

  • Item 2 kepada Pelanggan G

    Disyorkan kerana Pelanggan G membeli Item 1 dan 3. Mereka sama seperti Perkara 2.

  • Item 2, kemudian Item 3, kepada Pelanggan H

    dibeli Item 1. Item 1 adalah sama dengan Item 2 dan 3.

  • Item yang belum ditentukan kepada Pelanggan A

    Secara idealnya, anda harus mempunyai lebih banyak item dan pengguna. Dan sepatutnya ada beberapa barang yang dibeli oleh pelanggan yang serupa dengan barang lain yang belum dibeli.

  • Item yang belum ditentukan kepada Pelanggan I

    Dalam kes ini, data tidak mencukupi untuk dijadikan asas cadangan. Ini adalah contoh masalah permulaan sejuk.

  • Dalam talian melalui paparan halaman sementara pengguna tidak log masuk.