Kunnskapsbasert system
Kunnskapsbaserte systemer er systemer der forslag er basert på en innflytelse om en brukers behov og basert på en grad av domenekompetanse og kunnskap. Regler er definert som angir kontekst for hver anbefaling. Dette kan for eksempel være kriterier som definerer når et bestemt finansielt produkt, som en tillit, vil være gunstig for brukeren. Disse må som standard ikke bruke interaksjonshistorikk for en bruker på samme måte som den innholdsbaserte tilnærmingen er, men kan inkludere disse samt kundeprodukter og tjenesteattributter, samt annen ekspertinformasjon. Gitt måten systemet er bygget opp, kan anbefalingene lett forklares. Men å bygge opp denne typen rammeverk kan være dyrt. Det har en tendens til å være bedre egnet til komplekse domener der varer sjelden kjøpes eller dermed mangler data. Gitt dette, lider det ikke de samme kaldstartproblemene som andre ovenfor.
hva er de vanlige utfordringene Et Anbefalingssystem står overfor?
- Sparsity av data. Datasett fylt med rader og rader med verdier som inneholder tomme eller nullverdier. Så å finne måter å bruke tettere deler av datasettet og de med informasjon er kritisk.
- Latent forening. Merking er ufullkommen. Samme produkter med forskjellig merking kan ignoreres eller brukes feil, noe som betyr at informasjonen ikke blir innlemmet riktig.
- Skalerbarhet. Den tradisjonelle tilnærmingen har blitt overveldet av mangfoldet av produkter og kunder. Dette blir en utfordring etter hvert som datasettene utvides og kan føre til ytelsesreduksjon.
hvordan måler Du Anbefalingssystemet ditt?
Å Gi relevante anbefalinger er kjennetegnet til et lydsystem. Konvensjonelle måleteknikker inkluderer målinger av nøyaktighet eller dekningstiltak.
Nøyaktighet kan beskrives som brøkdel av riktige anbefalinger ut av de totale mulige anbefalingene;
Dekning måler antall elementer eller brukere som systemet faktisk kan gi anbefaling for.
for eksempel kan nøyaktigheten være høy samtidig som dekningen er lav. Dette kan skje hvis anbefalingen til det kvalifiserte delsettet var gyldig og nøyaktig. Dette kan skje hvis anbefalingene til det aktuelle delsettet var gyldige og nøyaktige, mens mange ble ekskludert da få brukere hadde vurdert et element.
Brukeropplevelse ER NØKKELEN
generelt forbedrer anbefalingsmotorer med mer informasjon. Anbefalingsmotorer som viser smarte, intuitive visualiseringsteknikker for resultatene, er mye mer sannsynlige for å sikre gjentatte besøk. Som sådan, anbefaling motorer som fortsetter med deg, sammen med din søken etter mer og mer informasjon og produkter, vil være å samle mer og mer av den underliggende informasjonen for bruk senere.
Å Skape et selvbærende, stadig bedre miljø for anbefalingsmotoren er avhengig av mye mer enn å forberede selve motoren.
Vanlige Brukssaker
La oss ta Eksemplet På Netflix igjen. Anbefalingsmotoren er kjernen Til Netflix. Mer enn 80% AV TV-programmene som folk ser på plattformen, oppdages gjennom et anbefalingssystem. Det som er unikt med systemet er at det ikke ser på brede sjangere, men heller inn i nyanserte tråder i innholdet. Målet er å bidra til å bryte seere bryte forutinntatte forestillinger og finne viser at de kanskje har valgt i utgangspunktet.
Netflix anbefaling motor bruker ‘tre-legged krakk’ arbeider konsept. Den første etappen er historien Om Hva Netflix-medlemmer så på. Koder gjøres Av Netflix-ansatte som forstår alt om innholdet og proprietære maskinlæringsalgoritmer som tar alle dataene og setter sammen ting.
slike anbefaling motorer arbeider konseptet kan tjene som en intelligent beslutningsstøtte system som fremmer salgsaktiviteter av produkter og tjenester for andre bransjer også. Disse kan forbedre effektiviteten til salgsrepresentanter eller opprette automatiske beslutningsprosesser for kundene selv.
Anbefalingsmotorer kan også distribueres direkte for forbrukere. For eksempel Er Credit Karma en fintech-oppstart Fra California som gir gratis tilgang til kredittpoeng og full kreditthistorie, og tjener penger fra en personlig anbefaling på kredittkort, lån og andre produkter til brukerne. Anbefalingssystemet er avhengig av millioner av data om brukernes kreditthistorie og nåværende situasjoner, for å foreslå produkter som ikke bare en bruker kan være interessert i, men også har stor sannsynlighet for å bli godkjent for, og har derfor en langsiktig fordel.
til slutt blir anbefalingssystemer i økende grad integrert i alle samfunnslag og beslutningsprosesser. Dette fenomenale er ikke annerledes i andre bransjer, spesielt forbrukerrettede selskaper, hvor informasjonsoverbelastning, stigende kundeforventninger og kostnadsreduksjon driver stadig flere forekomster av anbefalingsmotorer. Til syvende og sist fungerer det som både et verktøy for å forbedre kundeopplevelsen og maksimere effektiviteten til rådgivere.