sistem rekomendasi telah berdampak atau bahkan didefinisikan ulang kehidupan kita dalam banyak cara. Salah satu contoh dari dampak ini adalah bagaimana pengalaman belanja online kami sedang didefinisikan ulang. Seperti yang kita menelusuri produk, sistem Rekomendasi tawaran rekomendasi dari produk kami mungkin akan tertarik. Terlepas dari perspektif - bisnis atau konsumen, sistem rekomendasi telah sangat menguntungkan. Dan data besar adalah kekuatan pendorong di belakang sistem Rekomendasi. Sebuah sistem Rekomendasi khas tidak dapat melakukan tugasnya tanpa data yang cukup dan data besar memasok banyak data pengguna seperti pembelian masa lalu, riwayat browsing, dan umpan balik untuk sistem Rekomendasi untuk memberikan rekomendasi yang relevan dan efektif. In a nutshell, bahkan perekomendasi paling maju tidak bisa efektif tanpa data besar.
Bagaimana cara kerja sistem Rekomendasi?
Sebuah sistem Rekomendasi bekerja di terdefinisi, fase logis yang pengumpulan data, peringkat, dan penyaringan. fase ini dijelaskan di bawah.
Pengumpulan data
Mari kita berasumsi bahwa pengguna dari situs Amazon adalah browsing buku dan membaca rincian. Setiap kali pembaca mengklik link, acara seperti acara Ajax bisa dipecat. Jenis acara bisa berbeda-beda tergantung pada teknologi yang digunakan. Acara kemudian bisa membuat sebuah entri ke dalam database yang biasanya adalah database NoSQL. Catatan ini teknis dalam konten, namun dalam bahasa awam bisa membaca sesuatu seperti "User A diklik Rincian produk Z sekali". Itu adalah bagaimana rincian pengguna bisa ditangkap dan disimpan untuk rekomendasi masa.
Bagaimana sistem Rekomendasi menangkap rincian? Jika pengguna telah login, maka rincian yang diambil baik dari sesi http atau dari cookies sistem. Dalam hal sistem Rekomendasi tergantung pada cookies sistem, maka data yang tersedia hanya sampai saat pengguna menggunakan terminal yang sama. Peristiwa dipecat hampir di setiap kasus - pengguna menyukai produk atau menambahkannya ke keranjang dan membelinya. Jadi itu adalah bagaimana rincian pengguna disimpan. Tapi itu hanya salah satu bagian dari apa Pemberi saran lakukan.
Paragraf berikut menunjukkan bagaimana Amazon menawarkan rekomendasi produk untuk pengguna yang browsing untuk buku:
- As shown by the image below, ketika pengguna mencari buku Harry Potter dan Batu Bertuah, beberapa rekomendasi yang diberikan.
rekomendasi Sistem
- Dalam contoh lain, seorang pelanggan yang mencari Amazon untuk Canon EOS 1200D 18MP Digital SLR Camera (Hitam) itu menarik diberikan beberapa rekomendasi pada aksesoris kamera.
rekomendasi Sistem
penilaian
Penilaian yang penting dalam arti bahwa mereka memberitahu Anda apa yang pengguna merasa tentang produk. perasaan pengguna tentang suatu produk dapat tercermin ke tingkat dalam aksi dia mengambil seperti suka, menambahkan ke keranjang belanja, pembelian atau hanya mengklik. sistem rekomendasi dapat menetapkan peringkat implisit berdasarkan tindakan pengguna. Nilai maksimum adalah 5. For example, pembelian dapat diberi rating 4, -orang seperti bisa mendapatkan 3, mengklik bisa mendapatkan 2 dan seterusnya. sistem rekomendasi juga dapat memperhitungkan peringkat akun dan umpan balik pengguna memberikan.
Penyaringan
Penyaringan berarti produk filtering berdasarkan peringkat dan data pengguna lainnya. sistem rekomendasi menggunakan tiga jenis filtering: kolaboratif, pendekatan hybrid berbasis pengguna dan. Dalam penyaringan kolaboratif, perbandingan pilihan pengguna yang dilakukan dan rekomendasi yang diberikan. For example, jika pengguna X suka produk A, B, C, dan D dan user Y suka produk A, B, C, D dan E, itu adalah kemungkinan bahwa pengguna X akan merekomendasikan produk E karena ada banyak kesamaan antara pengguna X dan Y sejauh pilihan produk yang bersangkutan.
Beberapa merek terkenal seperti Facebook, Twitter, LinkedIn, Amazon, berita Google, Spotify dan Last.fm menggunakan model ini untuk memberikan rekomendasi yang efektif dan relevan. Dalam penyaringan berbasis pengguna, riwayat browsing pengguna, seperti, pembelian dan peringkat diperhitungkan sebelum memberikan rekomendasi. Model ini digunakan oleh banyak merek terkenal seperti IMDB, Rotten Tomatoes dan Pandora. Banyak perusahaan juga menggunakan pendekatan hybrid. Netflix diketahui menggunakan pendekatan hybrid.
Peran data besar
Seperti yang dinyatakan sebelumnya, Data drive besar apa Pemberi saran lakukan terutama. Pemberi saran tidak dapat melakukan sesuatu tanpa pasokan konstan data. However, peran data besar melampaui hanya Data. Hal ini jelas bahwa operasi di atas memerlukan CPU berkapasitas tinggi yang dapat bekerja selama berjam-jam. Untuk mewujudkan ini, Hadoop dapat digunakan. Untuk mengurangi pekerjaan manual yang diperlukan untuk kode, mengidentifikasi algoritma yang tepat, metode kesamaan dan tugas-tugas lainnya, Mahout dapat digunakan.
Mahout adalah perpustakaan yang terdiri algoritma mesin pembelajaran. Ini menyediakan satu set pilihan untuk memilih algoritma rekomendasi, memilih n-tetangga terdekat dan metode kesamaan. Meskipun itu adalah kelas standar Java, beroperasi murni pada Hadoop.
Untuk membuat tugas Anda lebih mudah, Anda dapat menggunakan alat yang dikenal sebagai PredictionIO yang bundel baik Mahout dan Hadoop dan apa lagi, menyediakan user interface yang bagus.
So, peran data besar dapat disimpulkan dalam memberikan bermakna, Data ditindaklanjuti cepat dan memberikan pengaturan yang diperlukan untuk cepat memproses data. Hal ini jelas bahwa teknologi tradisional tidak dimaksudkan untuk memproses volume besar seperti data begitu cepat. So, itu tidak akan cukup untuk hanya memiliki data yang besar untuk memberikan rekomendasi yang kuat.
Amazon kasus penggunaan
Bagaimana Amazon menggunakan duo kuat dari data besar dan Rekomendasi Sistem bernilai studi. Amazon telah dengan cara tertentu pelopor e-commerce tetapi yang lebih penting dari itu penghargaan adalah bagaimana mengemudi pendapatan up dengan menyediakan lebih banyak dan lebih efektif rekomendasi.
Membeli dapat menjadi impulsif dan direncanakan dan Amazon cerdas memasuki pikiran pembelanja impulsif dengan menyediakan rekomendasi produk yang relevan dan berguna. For that, itu terus-menerus bekerja untuk membuat mesin Rekomendasi yang lebih kuat. Belanja memiliki hubungan dengan psikologi. Pembeli membeli untuk kepuasan instan, uplift suasana hati instan, esteem sosial dan alasan bahkan tidak diketahui dengan jelas.
Amazon cukup pintar untuk mengambil faktor-faktor ini. Dan sekarang, itu bekerja pada sistem yang disebut prediksi dispatch yang berarti bahwa mesin Rekomendasi yang dapat memprediksi apa yang akan pelanggan untuk membeli dan membuat pengaturan untuk pengiriman cepat.
Apa yang membuat prestasi Amazon lebih dikreditkan adalah fakta bahwa tidak seperti Facebook - yang juga bergantung banyak pada data besar - yang tahu banyak rincian tentang pelanggannya, semua Amazon tahu tentang pelanggan adalah pola belanja.
Amazon telah menguangkan pengetahuan ini cerdas dalam upaya untuk mendapatkan lebih banyak dari kantong Anda. Ini adalah pekerjaan yang sulit untuk menganalisis pola pengeluaran, seperti, preferensi produk dan memberikan rekomendasi yang efektif hanya atas dasar itu. Dan sekarang, Amazon sedang mencoba untuk menyediakan alat-alat dan teknologi yang menggunakan data besar dan sistem Rekomendasi sehingga efektif untuk dijual ke perusahaan lain yang menggunakan data besar. So, iklan produk Amazon akan mulai muncul lebih sering pada situs-situs lain juga dan yang akan menaikkan penjualan.
Gambar berikut menunjukkan seberapa besar perusahaan telah menggunakan kekuatan data besar dan mesin Rekomendasi.
rekomendasi
Batas sistem Rekomendasi
Untuk semua efisiensi mereka, Sistem Rekomendasi bukan sistem bukti penuh. Pemberi saran telah diketahui menderita keterbatasan berikut:
- Pemberi saran tergantung sepenuhnya pada data dan Penyewa mereka harus terus-menerus memasok mereka dengan volume data yang besar. Itulah mengapa; perusahaan yang lebih kecil yang lebih kurang beruntung maka perusahaan besar seperti Google dan Amazon.
- Pemberi saran mungkin merasa sulit untuk tepat mengidentifikasi pola pilihan pengguna jika preferensi pengguna cenderung bervariasi dengan cepat, seperti dalam mode. Pemberi saran banyak bergantung pada data historis tetapi yang mungkin tidak cocok untuk ceruk produk tertentu.
- Pemberi saran menghadapi masalah dengan item yang tak terduga. For example, ada jenis film tertentu yang membangkitkan reaksi ekstrim seperti cinta atau benci. Hal ini sangat sulit untuk memberikan rekomendasi untuk item seperti.
Summary
Sementara data dan Rekomendasi besar mesin sudah terbukti kombinasi yang sangat berguna untuk perusahaan-perusahaan besar, itu menimbulkan pertanyaan apakah perusahaan dengan anggaran yang lebih kecil mampu investasi tersebut. Hal ini mendorong untuk perusahaan seperti bahwa alat data besar dan teknologi yang relatif lebih terjangkau. rekomendasi produk sangat penting untuk memberikan pengalaman pengguna yang baik dari sudut pandang pelanggan. Also, dari sudut pandang perusahaan, memperhitungkan faktor-faktor yang tidak diketahui yang dapat membuat pelanggan membeli produk yang mungkin tampak tidak mungkin. Sebagai menunjukkan gambar di atas, kekuatan Pemberi saran semakin besar.
