Recommendation systems have impacted or even redefined our lives in many ways. One example of this impact is how our online shopping experience is being redefined. As we browse through products, the Recommendation system offer recommendations of products we might be interested in. Regardless of the perspective — business or consumer, Recommendation systems have been immensely beneficial. And big data is the driving force behind Recommendation systems. A typical Recommendation system cannot do its job without sufficient data and big data supplies plenty of user data such as past purchases, browsing history, and feedback for the Recommendation systems to provide relevant and effective recommendations. In a nutshell, even the most advanced Recommenders cannot be effective without big data.
Comment fonctionne un système de recommandation?
Un système de recommandation fonctionne bien définie, phases logiques qui sont la collecte des données, notes, et le filtrage. Ces étapes sont décrites ci-dessous.
Collecte de données
Supposons qu'un utilisateur du site Amazon navigue livres et la lecture des détails. Chaque fois que le lecteur clique sur un lien, un événement comme un événement Ajax pourrait être tiré. Le type d'événement peut varier en fonction de la technologie utilisée. L'événement pourrait alors faire une entrée dans une base de données qui est généralement une base de données NoSQL. L'entrée est technique dans le contenu mais dans un langage profane pouvait lire quelque chose comme "utilisateur A cliqué Détails du produit Z une fois". Voilà comment les détails de l'utilisateur se capturées et stockées pour les futures recommandations.
Comment le système de recommandation de capturer les détails? Si l'utilisateur est connecté, puis les détails sont extraits soit à partir d'une session http ou à partir de ce système de cookies. Dans le cas où le système de recommandation dépend des cookies du système, puis les données sont disponibles seulement jusqu'au moment où l'utilisateur utilise le même terminal. Les événements sont tirés presque dans tous les cas - un utilisateur aimer un produit ou de l'ajouter à un panier et l'acheter. Voilà donc comment les détails de l'utilisateur sont stockées. Mais cela est juste une partie de ce que Recommenders faire.
Les paragraphes suivants montrent comment Amazon offre ses recommandations de produits à un utilisateur qui navigue pour les livres:
- As shown by the image below, quand un utilisateur recherche pour le livre Harry Potter et la Pierre Philosophale, plusieurs recommandations ont été donnés.
Recommandation système
- Dans un autre exemple, un client qui a cherché Amazon pour appareil photo Canon EOS 1200D 18MP Digital SLR (Noir) a été intéressant donné plusieurs recommandations sur les accessoires de l'appareil photo.
Recommandation système
évaluations
Les notations sont importantes dans le sens où ils vous disent ce que l'utilisateur se sent sur un produit. les sentiments des utilisateurs sur un produit peuvent être reflétés dans une certaine mesure dans les actions qu'il ou elle prend, comme aime, ajoutant au panier, achat ou tout simplement en cliquant. Les systèmes de recommandation peuvent attribuer des cotes implicites en fonction des actions de l'utilisateur. La note maximale est 5. For example, achat peut être attribué une cote de 4, aime peuvent obtenir 3, clic peut obtenir 2 etc. Les systèmes de recommandation peuvent également prendre en compte les évaluations et les utilisateurs de rétroaction fournir.
Filtration
Filtrage signifie que les produits de filtrage basées sur les évaluations et d'autres données de l'utilisateur. systèmes de Recommandation utilisent trois types de filtrage: collaborative, et une approche hybride basée sur l'utilisateur. Dans le filtrage collaboratif, une comparaison des choix des utilisateurs se fait et des recommandations donnée. For example, si l'utilisateur X aime les produits A, B, C, et D et de l'utilisateur Y aime les produits A, B, C, D et E, l'il est probable que l'utilisateur X sera recommandé produit E parce qu'il ya beaucoup de similitudes entre les utilisateurs X et Y dans la mesure où le choix des produits est concernée.
Plusieurs marques de renom telles que Facebook, Twitter, LinkedIn, Amazone, Actualités de Google, Spotify et Last.fm utilisent ce modèle pour fournir des recommandations efficaces et pertinentes. Dans le filtrage basé sur l'utilisateur, l'historique de navigation de l'utilisateur, aime, les achats et les notes sont prises en compte avant de fournir des recommandations. Ce modèle est utilisé par de nombreuses marques de renom telles que IMDB, Rotten Tomatoes et Pandora. De nombreuses entreprises utilisent également une approche hybride. Netflix est connu d'utiliser une approche hybride.
Rôle de données volumineuses
Comme indiqué précédemment, grands lecteurs de données ce Recommenders font principalement. Recommenders ne peuvent pas faire une chose sans l'apport constant de données. Cependant, le rôle des grandes données va au-delà des données. Il est clair que les opérations ci-dessus nécessitent un processeur à haute capacité qui peut fonctionner pendant des heures. Pour réaliser cette, Hadoop peut être utilisé. Pour réduire le travail manuel nécessaire pour coder, identifier les bons algorithmes, méthodes de similarité et d'autres tâches, Mahout pourrait être utilisé.
Mahout est une bibliothèque qui comprend des algorithmes d'apprentissage machine. Il fournit un ensemble d'options à choisir recommandation algorithme, le choix n plus proches voisins et les méthodes de similarité. Bien que ce soit une classe standard Java, il fonctionne uniquement sur Hadoop.
Pour rendre vos tâches encore plus facile, vous pouvez utiliser un outil appelé PredictionIO qui regroupe à la fois Mahout et Hadoop et ce plus, il fournit une interface utilisateur agréable.
So, le rôle des grandes données peut se résumer dans la fourniture significative, une action rapide et des données fournissant la configuration nécessaire pour traiter rapidement les données. Il est évident que les techniques traditionnelles ne sont pas destinées à traiter de tels volumes importants de données si rapidement. So, il ne suffit pas d'avoir juste les grandes données afin de fournir des recommandations fortes.
Le cas d'utilisation Amazon
Comment Amazon utilise le puissant duo de grands volumes de données et de la Recommandation système mérite une étude. Amazon a été à certains égards un pionnier du commerce électronique, mais plus important que cela récompense est la façon dont il est le moteur de son chiffre d'affaires en place en fournissant de plus en plus efficaces recommandations.
Achat peut être à la fois impulsif et planifié et Amazon est intelligemment puiser dans l'esprit de l'acheteur impulsif en fournissant des recommandations de produits pertinents et utiles. For that, il est sans cesse de travailler pour faire son moteur de recommandation plus puissant. Commercial a un lien avec la psychologie. Shoppers achètent pour la gratification instantanée, instant mood uplift, social esteem and reasons not even known to them clearly.
Amazon is smart enough to take these factors into account. And now, it is working on a system called predictive dispatch which means that its Recommendation engine can predict what the customer is going to buy and make arrangements for a speedy dispatch.
What makes Amazon’s achievements more creditable is the fact that unlike Facebook — which also relies a lot on big data — which knows a lot of details about its subscribers, Tout Amazon connaît ses clients sont les habitudes de dépenses.
Amazon a été l'encaissement de cette connaissance intelligemment dans une tentative d'obtenir plus de vos poches. Il est un travail difficile d'analyser les habitudes de dépenses, aime, les préférences de produits et de fournir des recommandations efficaces seulement sur cette base. And now, Amazon tente de mettre à la disposition de ses outils et technologies qui utilisent de façon efficace les grandes données et des systèmes de recommandation à vendre à d'autres sociétés qui utilisent les données big. So, Les annonces de produits d'Amazon vont commencer à apparaître plus fréquemment sur d'autres sites aussi bien et qui va faire grimper les ventes.
L'image suivante montre comment les entreprises grandes ont été en utilisant la puissance des grandes données et moteurs de Recommandation.
Recommandations
Limites des systèmes de recommandation
Pour toutes leur efficacité, Les systèmes de recommandation ne sont pas un système à toute épreuve. Recommenders sont connus pour souffrir des limitations suivantes:
- Recommenders dépendent totalement des données et de leurs loueurs doivent constamment leur fournir de gros volumes de données. C'est pourquoi; les petites entreprises sont plus désavantagées alors les grandes entreprises telles que Google et Amazon.
- Recommenders peuvent trouver difficile d'identifier exactement les modèles de choix de l'utilisateur si les préférences de l'utilisateur ont tendance à varier rapidement, comme dans la mode. Recommenders dépendent beaucoup des données historiques, mais qui peuvent ne pas convenir à certaines niches de produits.
- Recommenders face à des problèmes avec des éléments imprévisibles. For example, il y a certains types de films qui évoquent des réactions extrêmes telles que l'amour ou la haine. Il est extrêmement difficile de fournir des recommandations pour ces articles.
Summary
Alors que les moteurs de gros de données et la recommandation ont déjà prouvé une combinaison extrêmement utile pour les grandes entreprises, il soulève une question de savoir si les entreprises avec de plus petits budgets peuvent se permettre de tels investissements. Il est encourageant pour ces entreprises que de grands outils et technologies données sont relativement plus abordables. Recommandations de produit sont extrêmement importants pour fournir une bonne expérience utilisateur du point de vue du client. Also, du point de vue de la société, it takes into account unknown factors that can make a customer buy products which might seem unlikely. As the above image shows, the power of Recommenders is getting bigger.
