baseada no Conhecimento do sistema
sistemas baseados em Conhecimento são sistemas onde as sugestões são baseadas em uma influência sobre a necessidade de um usuário e baseado em um grau de domínio de conhecimentos e de conhecimento. As regras são definidas que definem o contexto de cada recomendação. Este, por exemplo, pode ser um critério que define quando um produto financeiro específico, como uma confiança, seria benéfico para o utilizador. Estes não têm, por padrão, de usar o histórico de interação de um usuário da mesma forma que a abordagem baseada em conteúdo é, mas podem incluir estes, bem como produtos do cliente e atributos de serviço, bem como outras informações especializadas. Dada a forma como o sistema é construído, as recomendações podem ser facilmente explicadas. Mas construir este tipo de estrutura pode ser caro. Ele tende a ser mais adequado para domínios complexos onde itens são comprados com pouca frequência ou, portanto, os dados estão faltando. Dado isto, não sofre os mesmos problemas de arranque a frio que outros acima.Quais são os desafios comuns que o sistema Recommender enfrenta?
- escassez de dados. Conjuntos de dados preenchidos com linhas e linhas de valores que contêm espaços em branco ou valores nulos. Então encontrar maneiras de usar partes mais densas do conjunto de dados e aqueles com informação é fundamental.
- associação latente. A rotulagem é imperfeita. Os mesmos produtos com rotulagem diferente podem ser ignorados ou consumidos incorretamente, o que significa que a informação não é incorporada corretamente.
- escalabilidade. A abordagem tradicional tornou-se dominada pela multiplicidade de produtos e clientes. Isto torna-se um desafio à medida que os conjuntos de dados se alargam e podem levar à redução do desempenho.
como mede o seu sistema de recomendações?
fornecer recomendações relevantes é a marca de um sistema de som. As técnicas de medição convencionais incluem medidas de precisão ou de cobertura.
a exactidão pode ser descrita como a fracção das recomendações correctas do total das recomendações possíveis;
cobertura mede o número de itens ou usuários que o sistema é realmente capaz de fornecer recomendações.Por exemplo, a precisão pode ser elevada ao mesmo tempo que a cobertura é baixa. Isto poderia acontecer se a recomendação ao subconjunto elegível fosse válida e precisa. Isso poderia acontecer se as recomendações para o subconjunto adequado fossem válidas e precisas, enquanto muitos foram excluídos, já que poucos usuários tinham Classificado um item.
a experiência do Utilizador é a chave
em geral, os motores de recomendação melhoram com mais informação. Os motores de recomendação que apresentam técnicas inteligentes, intuitivas e de visualização para os seus resultados são muito mais adequados para garantir visitas repetidas. Como tal, os motores de recomendação que continuam com você, juntamente com sua busca por mais e mais informações e produtos, será reunir mais e mais informações subjacentes para uso posterior.
criar um ambiente de constante melhoria auto-sustentável para o motor de recomendação depende de muito mais do que preparar o próprio motor.
casos de uso comum
retomemos o exemplo do Netflix. O motor de recomendação é essencial para o Netflix. Mais de 80% dos programas de TV que as pessoas assistem na plataforma são descobertos através de um sistema de recomendação. O que é único sobre o sistema é que ele não olha para gêneros amplos, mas sim em linhas nuances dentro do conteúdo. O objetivo é ajudar os telespectadores a quebrar noções preconcebidas e encontrar shows que eles poderiam ter escolhido inicialmente.
o motor de recomendação da Netflix utiliza o conceito de trabalho de “banco de três pernas”. A primeira etapa é a história do que os membros da Netflix assistiram. As Tags são feitas por funcionários da Netflix que entendem tudo sobre o conteúdo e algoritmos de aprendizado de máquina proprietários que pegam todos os dados e juntam as coisas.Este conceito de funcionamento de motores de recomendação pode servir como um sistema inteligente de apoio à decisão que promove as actividades de venda de produtos e serviços para outras indústrias também. Estes podem melhorar a eficiência dos representantes de vendas ou criar processos automáticos de tomada de decisão para os próprios clientes.
os motores de recomendação também podem ser implantados diretamente para os consumidores. Por exemplo, o Credit Karma é uma startup da fintech da Califórnia que oferece acesso livre às pontuações de crédito e histórico de crédito completo, fazendo dinheiro a partir de uma recomendação personalizada sobre cartões de crédito, empréstimos e outros produtos para seus usuários. Seu sistema de recomendação baseia-se em milhões de dados sobre o histórico de crédito dos usuários e situações atuais, para propor produtos que não só um usuário pode estar interessado, mas também tem uma alta probabilidade de ser aprovado, e, portanto, tem um benefício a longo prazo.Em conclusão, os sistemas de recomendação estão a integrar-se cada vez mais em todas as esferas da vida humana e nos processos de tomada de decisão. Este fenomenal não é diferente em outras indústrias, especialmente as empresas que enfrentam o consumidor, onde sobrecarga de informação, aumento das expectativas dos clientes e redução de custos estão impulsionando cada vez mais instâncias de motores de recomendação. Em última análise, serve como uma ferramenta para melhorar a experiência do cliente e maximizar a eficiência dos conselheiros.