Kennisgebaseerd systeem
kennisgebaseerde systemen zijn systemen waarbij suggesties gebaseerd zijn op een invloed op de behoeften van een gebruiker en gebaseerd zijn op een mate van domeinexpertise en-kennis. Er worden regels gedefinieerd die de context bepalen voor elke aanbeveling. Dit kunnen bijvoorbeeld criteria zijn die bepalen wanneer een specifiek financieel product, zoals een trust, voordelig is voor de gebruiker. Deze hoeven niet standaard de interactiegeschiedenis van een gebruiker te gebruiken op dezelfde manier als de contentgebaseerde aanpak, maar kunnen deze omvatten, evenals klantproducten en servicekenmerken, evenals andere deskundige informatie. Gezien de manier waarop het systeem is opgebouwd, kunnen de aanbevelingen gemakkelijk worden uitgelegd. Maar het opbouwen van dit soort raamwerk kan duur zijn. Het is meestal beter geschikt voor complexe domeinen waar items zelden worden gekocht of Dus, gegevens ontbreekt. Gezien dit, het niet lijden dezelfde koude-start-up problemen als anderen hierboven.
wat zijn de gemeenschappelijke uitdagingen voor een aanbevelingssysteem?
- weinig gegevens. Datasets gevuld met rijen en Rijen met waarden die blanco ‘ s of nulwaarden bevatten. Dus het vinden van manieren om dichtere delen van de dataset en die met informatie te gebruiken is van cruciaal belang.
- latente associatie. Etikettering is onvolmaakt. Dezelfde producten met verschillende etikettering kunnen worden genegeerd of verkeerd worden geconsumeerd, wat betekent dat de informatie niet correct wordt opgenomen.
- schaalbaarheid. De traditionele aanpak is overweldigd door de veelheid van producten en klanten. Dit wordt een uitdaging naarmate datasets groter worden en kan leiden tot prestatievermindering.
hoe meet u uw aanbevelingssysteem?
het geven van relevante aanbevelingen is het kenmerk van een degelijk systeem. Conventionele meettechnieken omvatten nauwkeurigheidsmetingen of dekkingsmetingen.
nauwkeurigheid kan worden beschreven als de fractie van de juiste aanbevelingen van de totale mogelijke aanbevelingen;
dekkingsgraad meet het aantal items of gebruikers waarvoor het systeem daadwerkelijk aanbevelingen kan doen.
de nauwkeurigheid kan bijvoorbeeld hoog zijn terwijl de dekking laag is. Dit zou kunnen gebeuren als de aanbeveling aan de in aanmerking komende subset geldig en accuraat was. Dit zou kunnen gebeuren als de aanbevelingen aan de geschikte subset geldig en accuraat waren, terwijl velen werden uitgesloten omdat weinig gebruikers een item hadden beoordeeld.
gebruikerservaring is belangrijk
over het algemeen verbeteren aanbevelingsmotoren met meer informatie. Aanbevelingsmotoren die slimme, intuïtieve visualisatietechnieken voor hun resultaten weergeven, zijn veel waarschijnlijker om herhaalde bezoeken te garanderen. Als zodanig, aanbeveling motoren die blijven met u, samen met uw zoektocht naar meer en meer informatie en producten, zal zijn om meer en meer van de onderliggende informatie te verzamelen voor later gebruik.
het creëren van een zichzelf in stand houdende steeds betere omgeving voor de aanbevelingsmotor is veel meer dan het voorbereiden van de motor zelf.
veelvoorkomende Use Cases
laten we het voorbeeld van Netflix herhalen. De aanbeveling motor is de kern van Netflix. Meer dan 80% van de tv-programma ‘ s die mensen kijken op het platform worden ontdekt door middel van een aanbeveling systeem. Wat uniek is aan het systeem is dat het niet kijkt naar brede genres, maar naar genuanceerde threads binnen de inhoud. Het doel is om te helpen breken kijkers breken vooropgezette noties en het vinden van shows die ze in eerste instantie zou hebben gekozen.
de recommendation engine van Netflix maakt gebruik van het werkconcept’ driebenige kruk’. De eerste etappe is de geschiedenis van wat Netflix-leden bekeken. Tags worden gedaan door Netflix-medewerkers die alles begrijpen over de inhoud en gepatenteerde machine learning-algoritmen die alle gegevens nemen en dingen samenvoegen.
dergelijke aanbeveling motoren werkconcept kan dienen als een intelligent beslissingsondersteunend systeem dat de verkoop van producten en diensten ook voor andere industrieën bevordert. Deze kunnen de efficiëntie van verkoopvertegenwoordigers verbeteren of automatische besluitvormingsprocessen voor de klanten zelf creëren.
Aanbevelingsmotoren kunnen ook rechtstreeks voor consumenten worden ingezet. Bijvoorbeeld, Credit Karma is een FinTech startup uit Californië die gratis toegang tot credit scores en volledige kredietgeschiedenis biedt, het maken van geld uit een gepersonaliseerde aanbeveling op creditcards, leningen en andere producten aan hun gebruikers. Het aanbevelingssysteem is gebaseerd op miljoenen gegevens over de kredietgeschiedenis van gebruikers en de huidige situaties, om producten voor te stellen waarin niet alleen een gebruiker geïnteresseerd kan zijn, maar ook een grote kans heeft om te worden goedgekeurd voor, en heeft daarom een langetermijnvoordeel.Concluderend kan worden gesteld dat aanbevelingssystemen in toenemende mate worden geïntegreerd in alle lagen van het menselijk leven en in alle besluitvormingsprocessen. Deze fenomenale is niet anders in andere sectoren, met name de consument gerichte bedrijven, waar informatie-overbelasting, stijgende verwachtingen van klanten en kostenreductie zijn de drijvende kracht van steeds meer gevallen van aanbeveling motoren. Uiteindelijk dient het als instrument om de klantervaring te verbeteren en de efficiëntie van adviseurs te maximaliseren.