system oparty na wiedzy
systemy oparte na wiedzy to systemy, w których sugestie opierają się na wpływie na potrzeby użytkownika oraz na poziomie wiedzy specjalistycznej i wiedzy. Zdefiniowano reguły, które określają kontekst dla każdego zalecenia. Mogą to być na przykład kryteria, które określają, kiedy konkretny produkt finansowy, taki jak zaufanie, byłby korzystny dla użytkownika. Domyślnie nie muszą one wykorzystywać historii interakcji użytkownika w taki sam sposób, jak podejście oparte na treści, ale mogą obejmować zarówno te, jak i atrybuty produktów i usług klienta, a także inne informacje eksperckie. Biorąc pod uwagę sposób budowy systemu, zalecenia można łatwo wyjaśnić. Ale budowanie tego typu RAM może być kosztowne. Wydaje się, że lepiej nadaje się do złożonych domen, w których przedmioty są rzadko kupowane, a zatem brakuje danych. Biorąc to pod uwagę, nie ma takich samych problemów z zimnym rozruchem, jak inne powyżej.
jakie są typowe wyzwania, przed którymi stoi system rekomendujący?
- Zbiory danych wypełnione wierszami i wierszami wartości, które zawierają spacje lub wartości zerowe. Tak więc znalezienie sposobów na wykorzystanie gęstszych części zbioru danych i tych z informacjami ma kluczowe znaczenie.
- Etykietowanie jest niedoskonałe. Te same produkty z różnymi etykietami mogą być ignorowane lub niewłaściwie spożywane, co oznacza, że informacje nie zostaną prawidłowo włączone.
- skalowalność. Tradycyjne podejście zostało przytłoczone przez mnogość produktów i klientów. Staje się to wyzwaniem w miarę poszerzania się zbiorów danych i może prowadzić do zmniejszenia wydajności.
Jak mierzyć System rekomendacji?
dostarczanie odpowiednich zaleceń jest cechą charakterystyczną systemu dźwiękowego. Konwencjonalne techniki pomiarowe obejmują miary dokładności lub miary zasięgu.
dokładność można opisać jako ułamek poprawnych zaleceń spośród wszystkich możliwych zaleceń;
zasięg mierzy liczbę pozycji lub użytkowników, dla których system jest w stanie przedstawić rekomendacje.
na przykład, dokładność może być wysoka w tym samym czasie, gdy zasięg jest niski. Mogłoby to nastąpić, gdyby zalecenie dla kwalifikującego się podzbioru było ważne i dokładne. Może się to zdarzyć, jeśli zalecenia dla odpowiedniego podzbioru były ważne i dokładne, podczas gdy wielu z nich zostało wykluczonych, ponieważ niewielu użytkowników oceniło artykuł.
doświadczenie użytkownika jest kluczowe
ogólnie rzecz biorąc, silniki rekomendacji poprawiają się dzięki większej ilości informacji. Silniki rekomendacji, które wyświetlają inteligentne, intuicyjne techniki wizualizacji dla swoich wyników, są znacznie bardziej prawdopodobne, aby zapewnić powtarzanie wizyt. W związku z tym silniki rekomendacji, które będą nadal z Tobą, wraz z poszukiwaniem coraz większej liczby informacji i produktów, będą gromadzić coraz więcej podstawowych informacji do późniejszego wykorzystania.
stworzenie samowystarczalnego, stale poprawiającego się środowiska dla silnika rekomendacji polega na czymś więcej niż na przygotowaniu samego silnika.
typowe przypadki użycia
powtórzmy przykład Netflixa. Silnik rekomendacji jest podstawą Netflixa. Ponad 80% programów telewizyjnych, które ludzie oglądają na platformie, jest wykrywanych przez system rekomendacji. Unikalne w systemie jest to, że nie patrzy na szerokie gatunki, ale raczej na niuansowane wątki w treści. Celem jest pomoc widzom przełamać z góry przyjęte wyobrażenia i znaleźć programy, które mogli wybrać początkowo.
silnik rekomendacji Netflixa wykorzystuje koncepcję pracy „trójnożnego stołka”. Pierwszy etap to historia tego, co oglądali członkowie Netflix. Tagi są tworzone przez pracowników Netflix, którzy rozumieją wszystko na temat treści i zastrzeżonych algorytmów uczenia maszynowego, które zbierają wszystkie dane i łączą rzeczy razem.
taka koncepcja działania silników rekomendacji może służyć jako inteligentny system wspomagania decyzji, który promuje działania sprzedażowe produktów i usług również dla innych branż. Mogą one poprawić efektywność przedstawicieli handlowych lub stworzyć automatyczne procesy decyzyjne dla samych klientów.
Silniki rekomendacji mogą być również wdrażane bezpośrednio dla konsumentów. Na przykład Credit Karma to startup fintech z Kalifornii, który zapewnia bezpłatny dostęp do wyników kredytowych i pełnej historii kredytowej, zarabiając na spersonalizowanych rekomendacjach dotyczących kart kredytowych, pożyczek i innych produktów dla swoich użytkowników. System rekomendacji opiera się na milionach danych o historii kredytowej użytkowników i aktualnej sytuacji, aby zaproponować produkty, którymi nie tylko użytkownik może być zainteresowany, ale także ma duże prawdopodobieństwo zatwierdzenia, a zatem przynosi długoterminowe korzyści.
podsumowując, systemy rekomendacji coraz częściej włączają się we wszystkie dziedziny życia ludzkiego i procesy decyzyjne. Nie inaczej jest w innych branżach, zwłaszcza w firmach konsumenckich, gdzie nadmiar informacji, rosnące oczekiwania klientów i redukcja kosztów napędzają coraz więcej przypadków silników rekomendacji. Docelowo służy zarówno jako narzędzie do poprawy doświadczenia klienta, jak i maksymalizacji wydajności doradców.