지식 기반 시스템
지식 기반 시스템은 제안이 사용자의 요구에 대한 영향력과 도메인 전문 지식 및 지식의 정도를 기반으로하는 시스템입니다. 각 권장 사항에 대한 컨텍스트를 설정하는 규칙이 정의됩니다. 예를 들어,신뢰와 같은 특정 금융 상품이 사용자에게 도움이 될 때를 정의하는 기준이 될 수 있습니다. 기본적으로 콘텐츠 기반 접근 방식과 동일한 방식으로 사용자의 상호 작용 기록을 사용할 필요는 없지만 고객 제품 및 서비스 특성 및 기타 전문가 정보를 포함 할 수 있습니다. 시스템이 구축되는 방식을 감안할 때 권장 사항을 쉽게 설명 할 수 있습니다. 그러나 이러한 유형의 프레임 워크를 구축하는 것은 비용이 많이들 수 있습니다. 이 항목이 자주 구입 또는 따라서,데이터가 부족 복잡한 도메인에 더 적합 할 경향이있다. 이 점을 감안할 때,그것은 위의 다른 사람들과 같은 콜드 스타트 업 문제를 겪지 않습니다.
추천 시스템이 직면 한 공통 과제는 무엇입니까?
- 데이터의 희소성. 공백 또는 0 값을 포함하는 값의 행과 행으로 채워진 데이터 집합입니다. 따라서 데이터 세트의 밀도가 높은 부분과 정보가 있는 부분을 사용하는 방법을 찾는 것이 중요합니다.
- 잠복 협회. 라벨링은 불완전합니다. 라벨이 다른 동일한 제품은 무시되거나 잘못 소비 될 수 있으므로 정보가 올바르게 통합되지 않습니다.
- 확장성. 전통적인 접근 방식은 제품과 고객의 다양성에 의해 압도되고있다. 이는 데이터 집합이 확대되고 성능이 저하될 수 있으므로 문제가 됩니다.
추천 시스템을 어떻게 측정합니까?
관련 권장 사항을 제공하는 것이 사운드 시스템의 특징입니다. 종래의 측정 기술은 정확도 측정 또는 커버리지 측정을 포함한다.
정확도는 가능한 총 권장 사항 중 올바른 권장 사항의 비율로 설명 할 수 있습니다;
적용 범위는 시스템이 실제로 권장 사항을 제공할 수 있는 항목 또는 사용자의 수를 측정합니다.
예를 들어,정확도는 커버리지가 낮은 것과 동시에 높을 수 있다. 이는 적격 하위 집합에 대한 권장 사항이 유효하고 정확한 경우 발생할 수 있습니다. 이는 적합한 하위 집합에 대한 권장 사항이 유효하고 정확한 반면 많은 사용자가 항목을 평가하지 않았기 때문에 제외된 경우에 발생할 수 있습니다.
사용자 환경이 핵심
일반적으로 추천 엔진은 자세한 정보를 통해 향상됩니다. 결과에 대해 똑똑하고 직관적인 시각화 기술을 표시하는 추천 엔진은 반복 방문을 보장하는 데 훨씬 더 유리합니다. 따라서,점점 더 많은 정보와 제품에 대한 탐구와 함께,당신과 함께 계속 추천 엔진은 나중에 사용에 대한 기본 정보를 점점 더 수집하는 것입니다.
추천 엔진을 위해 끊임없이 개선되는 자립 환경을 만드는 것은 엔진 자체를 준비하는 것 이상의 것에 의존한다.
일반적인 사용 사례
넷플릭스의 예를 다시 살펴 보겠습니다. 추천 엔진은 넷플릭스의 핵심입니다. 사람들이 플랫폼에서 보는 텔레비젼 쇼의 80%이상은 추천 시스템을 통해 발견된다. 어떤 시스템에 대한 독특한 것은 그것이 아니라 콘텐츠 내에서 미묘한 스레드로,폭 넓은 장르에 보이지 않는 것입니다. 목표는 시청자가 선입견을 깨고 처음에 선택했을 수도있는 쇼를 찾는 것을 돕는 것입니다.
넷플릭스의 추천 엔진은’세 다리 의자’작업 개념을 사용합니다. 첫 번째 다리는 넷플릭스 회원들이 본 것의 역사입니다. 태그는 모든 데이터를 가지고 함께 물건을 넣어 콘텐츠 및 독점 기계 학습 알고리즘에 대한 모든 것을 이해 넷플릭스 직원에 의해 이루어집니다.
개념을 작동 이러한 추천 엔진은 너무 다른 산업에 대한 제품과 서비스의 판매 활동을 촉진하는 지능형 의사 결정 지원 시스템의 역할을 할 수 있습니다. 이러한 영업 담당자의 효율성을 개선 하거나 고객 자신에 대 한 자동 의사 결정 프로세스를 만들 수 있습니다.
권장 엔진도 소비자를 위해 직접 배포할 수 있습니다. 예를 들어,신용 카르마는 신용 점수 및 전체 신용 기록에 무료로 액세스 할 수있는 캘리포니아 출신의 핀 테크 스타트 업으로,신용 카드,대출 및 기타 제품에 대한 개인화 된 추천을 통해 사용자에게 돈을 벌 수 있습니다. 추천 시스템은 사용자의 신용 기록 및 현재 상황에 대한 수백만 개의 데이터에 의존하여 사용자가 관심을 가질 수있는 제품을 제안 할뿐만 아니라 승인 될 확률이 높기 때문에 장기적인 이점이 있습니다.
결론적으로,추천 시스템은 인간의 삶과 의사 결정 과정의 모든 계층에 점점 더 통합되고 있습니다. 이 놀라운 다른 산업,특히 소비자 직면 회사,정보 과부하,상승 클라이언트 기대와 비용 절감 추천 엔진의 더 많은 인스턴스를 운전 하는 다른. 궁극적으로,그것은 클라이언트 경험을 개량하고 고문관의 효율성을 확대하는 공구 둘 다로 봉사한다.