videnbaseret system
videnbaserede systemer er systemer, hvor forslag er baseret på en indflydelse på en brugers behov og baseret på en grad af domæneekspertise og viden. Der defineres regler, der sætter kontekst for hver anbefaling. Dette kan for eksempel være kriterier, der definerer, hvornår et specifikt finansielt produkt, som en tillid, ville være gavnligt for brugeren. Disse behøver som standard ikke at bruge en brugers interaktionshistorik på samme måde som den indholdsbaserede tilgang er, men kan omfatte disse såvel som kundeprodukter og serviceattributter samt anden ekspertinformation. I betragtning af den måde, systemet er opbygget på, kan anbefalingerne let forklares. Men at opbygge denne type rammer kan være dyrt. Det har tendens til at være bedre egnet til komplekse domæner, hvor varer sjældent købes, eller derfor mangler data. I betragtning af dette lider det ikke de samme problemer med koldstart som andre ovenfor.
hvad er de fælles udfordringer, som et anbefalingssystem står over for?
- Sparsity af data. Datasæt fyldt med rækker og rækker af værdier, der indeholder tomme eller nulværdier. Så det er kritisk at finde måder at bruge tættere dele af datasættet og dem med information.
- Latent forening. Mærkning er ufuldkommen. Samme produkter med forskellig mærkning kan ignoreres eller forkert forbruges, hvilket betyder, at oplysningerne ikke bliver inkorporeret korrekt.
- skalerbarhed. Den traditionelle tilgang er blevet overvældet af mangfoldigheden af produkter og kunder. Dette bliver en udfordring, da datasæt udvides og kan føre til ydelsesreduktion.
hvordan måler du dit anbefalingssystem?
tilvejebringelse af relevante anbefalinger er kendetegnende for et lydsystem. Konventionelle måleteknikker inkluderer målinger af nøjagtighed eller dækningsforanstaltninger.
nøjagtighed kan beskrives som fraktionen af korrekte anbefalinger ud af de samlede mulige anbefalinger;
dækning måler antallet af varer eller brugere, som systemet faktisk er i stand til at give anbefaling til.
for eksempel kan nøjagtigheden være høj, samtidig med at dækningen er lav. Dette kunne ske, hvis anbefalingen til den støtteberettigede delmængde var gyldig og nøjagtig. Dette kunne ske, hvis anbefalingerne til den passende delmængde var gyldige og nøjagtige, mens mange blev udelukket, da få brugere havde bedømt en vare.
brugeroplevelse er nøglen
generelt forbedres anbefalingsmotorer med mere information. Anbefalingsmotorer, der viser smarte, intuitive visualiseringsteknikker for deres resultater, er meget mere tilbøjelige til at sikre gentagne besøg. Som sådan vil anbefalingsmotorer, der fortsætter med dig, sammen med din søgen efter mere og mere information og produkter, være at samle flere og flere af de underliggende oplysninger til brug senere.
oprettelse af et selvbærende, stadigt forbedrende miljø for anbefalingsmotoren er afhængig af meget mere end at forberede selve motoren.
almindelige brugssager
lad os genoptage eksemplet med Netfleks. Anbefalingsmotoren er kernen til Netfleks. Mere end 80% af de TV-udsendelser, som folk ser på platformen, opdages gennem et anbefalingssystem. Det unikke ved systemet er, at det ikke ser på brede genrer, men snarere i nuancerede tråde inden for indholdet. Målet er at hjælpe med at bryde seerne bryde forudfattede forestillinger og finde viser, at de måske har valgt i første omgang.
netfliks anbefalingsmotor bruger ‘trebenet afføring’ arbejdskoncept. Det første ben er historien om, hvad netfleks medlemmer så. Tags udføres af medarbejdere, der forstår alt om indholdet og proprietære maskinlæringsalgoritmer, der tager alle dataene og sætter tingene sammen.
sådanne anbefalingsmotorer arbejder koncept kan tjene som et intelligent beslutningsstøttesystem, der fremmer salgsaktiviteter af produkter og tjenester til andre industrier også. Disse kan forbedre salgsrepræsentanternes effektivitet eller skabe automatiske beslutningsprocesser for kunderne selv.
anbefalingsmotorer kan også implementeres direkte til forbrugerne. For eksempel, Credit Karma er en fintech-opstart fra Californien, der giver gratis adgang til kredit score og fuld kredit historie, tjene penge på en personlig anbefaling om kreditkort, lån og andre produkter til deres brugere. Dets anbefalingssystem er afhængig af millioner af data om brugernes kredithistorik og aktuelle situationer for at foreslå produkter, som ikke kun en bruger kan være interesseret i, men også har stor sandsynlighed for at blive godkendt til og derfor har en langsigtet fordel.
afslutningsvis integreres anbefalingssystemer i stigende grad i alle samfundslag i menneskeliv og beslutningsprocesser. Dette fænomenale er ikke anderledes i andre brancher, især forbrugerorienterede virksomheder, hvor informationsoverbelastning, stigende kundeforventninger og omkostningsreduktion driver stadig flere forekomster af anbefalingsmotorer. I sidste ende fungerer det både som et værktøj til at forbedre klientoplevelsen og maksimere effektiviteten af rådgivere.