추천 시스템은 영향을 또는 여러 가지 방법으로 우리의 삶을 재정의 한. 이 영향의 한 예는 온라인 쇼핑 경험이 재정의되는 방식입니다. 우리는 제품을 통해 탐색, 제품의 권장 시스템 제공 권장 우리가 관심을 가질만한. 에 관계없이 관점 - 비즈니스 또는 소비자, 추천 시스템은 대단히 도움이되었습니다. 그리고 빅 데이터는 추천 시스템의 원동력이다. 일반적인 권장 사항 시스템에 충분한 데이터와 빅 데이터없이 일을 할 수없는 것은 이러한 과거의 구매로 사용자 데이터를 많이 공급, 검색 기록, 와 추천 시스템에 대한 피드백은 적절하고 효과적인 권장 사항을 제공합니다. 극히 간결한, 심지어 가장 진보 된 추천인은 빅 데이터없이 효과적 일 수 없습니다.
권장 시스템 작업을 수행하는 방법?
추천 시스템은 잘 정의 된 작동, 데이터 수집 논리 상, 평가, 및 필터링. 이러한 단계는 다음과 같다.
데이터 수집
우리가 아마존 웹 사이트의 사용자가 정보를 책을 검색하고 읽고 있다고 가정하자. 독자가 링크를 클릭 할 때마다, 아약스 이벤트와 이벤트 등 해고 될 수있다. 이벤트 유형이 사용 기술에 따라 달라질 수 있습니다. 이벤트는 일반적으로되는 NoSQL 데이터베이스는 데이터베이스에 항목을 만들 수 있습니다. 항목은 "한 번 클릭 사용자 제품 Z보기"같은 것을 읽을 수 콘텐츠뿐만 평신도의 언어의 기술입니다. 즉, 사용자 정보 캡처 및 향후 권고 저장되는 방식입니다.
권고 시스템 세부 캡처 않는 방법? 사용자가 로그인 한 경우, 그 세부 사항은 HTTP 세션에서 또는 시스템 쿠키를 추출하거나. 경우에 추천 시스템은 시스템의 쿠키에 따라 달라집니다, 그 데이터는 시간까지 사용자가 동일한 단말기를 사용 가능. 이벤트는 거의 모든 경우에 해고 - 사용자가 제품을 좋아하거나 카트에 추가하고 구매. 그래서 사용자 정보가 저장되는 방법입니다. 하지만 그 추천인이하는 일의 한 부분이다.
다음 단락에서는 아마존이 책을 검색하는 사용자에게 자사의 제품 권장 사항을 제공하는 방법을 보여줍니다:
- As shown by the image below, 사용자는 책 해리 포터와 철학자의 돌을 검색 할 때, 몇 가지 권고 받았다.
추천 시스템
- 또 다른 예에서, 캐논 EOS 1200D 18MP 디지털 SLR 카메라를 위해 아마존을 검색 한 고객 (검은) 흥미롭게도 카메라 액세서리에 대한 몇 가지 권고를 받았다.
추천 시스템
등급
평가는 사용자가 제품에 대한 느낌이 무엇을 이야기한다는 점에서 중요하다. 제품에 대한 사용자의 감정이 행동에 어느 정도 반영 될 수있는 것은 그 또는 그녀는 좋아하는 등 소요, 장바구니에 추가, 구매하거나 클릭. 추천 시스템은 사용자의 동작에 따라 암시 등급을 할당 할 수 있습니다. 최대 등급은 5. For example, 구매는 점을 할당 할 수 있습니다 4, 좋아하는 얻을 수 3, 클릭하면 얻을 수 있습니다 2 등등. 추천 시스템은 계정 등급에 걸릴 수 있습니다 및 피드백 사용자가 제공.
필터링
필터링 등급 및 기타 사용자 데이터에 기초하여 필터링 제품을 의미. 추천 시스템은 세 종류의 필터를 사용하여: 협력, 사용자 기반 하이브리드 접근법. 협업 필터링에서, 사용자의 선택의 비교가 수행 및 권장 주어진다. For example, 사용자 X 제품 A를 좋아하는 경우, B, C, 및 D 및 사용자 Y 제품 A를 좋아하는, B, C, D와 E, 는 IT 사용자의 X와 Y 사이에 유사점이 많은이 제품의 선택에 관한 한 지금까지 같이 있기 때문에 사용자 X 제품 E를 추천 할 가능성이 높습니다.
페이스 북과 같은 여러 유명한 브랜드, Twitter, LinkedIn, 아마존, Google 뉴스, 스포티 파이와 Last.fm 효과와 관련 권장 사항을 제공하기 위해이 모델을 사용. 사용자 기반 필터링에서, 사용자의 검색 기록, 좋아, 구매 및 등급은 권장 사항을 제공하기 전에 고려. 이 모델은 같은 IMDB 많은 유명한 브랜드에서 사용하는, 썩은 토마토와 판도라. 많은 회사는 또한 하이브리드 방식을 사용. 넷플릭스 하이브리드 방식을 사용하는 것으로 알려져.
빅 데이터의 역할
앞서 언급 한 바와 같이, 추천인은 주로 무엇을 큰 데이터 드라이브. 추천인은 데이터의 지속적인 공급없이 일을 할 수 없습니다. However, 큰 데이터의 역할은 단지 데이터를 넘어. 이는 상기 동작 시간 동안 작동 할 수있는 대용량의 CPU를 필요로하는 것이 분명. 이것을 실현하려면, 하둡을 사용할 수 있습니다. 코딩하는데 필요한 수동 작업을 줄이기 위해서, 오른쪽 알고리즘을 식별, 유사 방법 및 기타 작업, 코끼리 조련사가 사용될 수있다.
두싯 기계 학습 알고리즘을 포함하는 라이브러리. 이 추천 알고리즘을 선택하는 옵션을 제공, N-가장 가까운 이웃과 유사성 방법을 선택. 그것은 표준 자바 클래스이지만, 그것은 하둡에 순수하게 작동.
당신의 작업을 더 쉽게 만들려면, 당신은 두싯 및 하둡 및 더 많은 것을 모두 번들 PredictionIO로 알려진 도구를 사용할 수 있습니다, 이는 좋은 유저 인터페이스를 제공한다.
So, 큰 데이터의 역할은 의미가 제공 될 수 합산, 실질적인 데이터를 신속하고 빠르게 데이터를 처리하기 위해 필요한 설정을 제공하는. 전통적인 기술이 이렇게 빨리 데이터의 대형 볼륨을 처리하는 것은 아니다 명백하다. So, 단지 강한 추천을 제공하기 위해 큰 데이터가 충분하지.
아마존의 사용 사례
어떻게 아마존이 빅 데이터 및 추천 시스템의 강력한 듀오를 사용하는 것은 연구 가치가있다. 그것은 점점 더 효과적인 권장 사항을 제공함으로써 매출 최대를 구동하는 방법을 그 영예가보다 아마존은 어떤 방법으로 전자 상거래의 선구자하지만 더 중요했다.
구매 충동과 계획과 아마존이 스마트하게 관련 유용한 제품 권장 사항을 제공함으로써 충동 구매자의 마음에 도청 둘 수 있습니다. For that, 그것은 끊임없이 그 추천 엔진이 더 강력한 만들기에 노력하고있다. 쇼핑 심리학와 연결되어. 구매자는 즉각적인 만족을 위해 구매, 순간 기분 향상, 사회 존중, 심지어 명확하게 알려지지 않은 이유.
아마존 계정에 이러한 요인을 똑똑. 그리고 지금, 그것의 추천 엔진은 고객이 신속한 파견을위한 준비를 구입하고 만들려고 예측할 수 있다는 것을 의미한다 예측 파견이라는 시스템에서 작동.
가입자에 대한 세부 정보를 많이 알고있다 - 또한 빅 데이터에 많이 의존 - 어떻게 아마존의 성과가 더 신용 할 만드는 것은 페이스 북과는 달리 사실은, 고객이 지출 패턴이에 대한 모든 아마존은 알고있다.
아마존은 똑똑하게 얻을 시도에서이 지식을 현금화 된 주머니에서 더 많은. 소비 패턴을 분석하기 어려운 일이다, 좋아, 제품의 환경 설정 및 단지 기반으로 효과적인 권장 사항을 제공. 그리고 지금, 아마존은 자사의 도구와 빅 데이터를 사용하는 다른 기업에 판매를 위해 매우 효과적으로 빅 데이터 및 추천 시스템을 사용하는 기술을 사용할 수 있도록 노력하고있다. So, 아마존의 제품 광고뿐만 아니라 다른 웹 사이트에 더 자주 나타나기 시작하고 그 판매를 운전하는 것입니다.
다음 이미지는 얼마나 큰 회사 빅 데이터 및 추천 엔진의 파워를 사용하고 표시.
추천
추천 시스템의 한계
모든 효율성에 대한, 추천 시스템은 완전한 증거 시스템 없습니다. 추천인은 다음과 같은 제한으로 고생하는 것으로 알려져 있습니다:
- 추천인은 데이터에 전적으로 의존과 hirers는 지속적으로 많은 양의 데이터로를 제공해야합니다. 그 이유는; 작은 기업은 구글과 아마존과 같은 더 큰 기업보다 불리한 있습니다.
- 추천인 사용자 선호가 빠르게 변화하는 경향이있는 경우가 곤란 정확하게 사용자의 선택 패턴을 식별하기 위해 찾을 수도, 패션으로. 추천인은 역사적인 데이터에 많이 의존하지만 특정 제품의 틈새에 적합하지 않을 수 있습니다.
- 추천인은 예측할 수없는 항목 문제에 직면. For example, 이러한 사랑이나 증오 같은 극단적 인 반응을 불러 일으키는 어떤 영화 종류가 있습니다. 이 같은 항목에 대한 권장 사항을 제공하는 것은 매우 어렵다.
Summary
빅 데이터 및 권장 사항 엔진은 이미 큰 기업을위한 매우 유용한 조합을 입증했지만, 그것은 작은 예산이 회사는 투자를 감당할 수 있는지 여부의 문제를 제기. 그것은 빅 데이터 툴과 기술이 상대적으로 저렴 같은 기업 격려. 제품의 권장 사항은 고객의 관점에서 좋은 사용자 경험을 제공하는 것이 매우 중요합니다. Also, 이 회사의 관점에서, 그것은 고객이 가능성이 보일 수 있습니다 제품을 구입 할 수있는 계정 알 수없는 요인을 고려합니다. 위의 이미지에서 볼 수 있듯이, 추천인의 힘이 커지고있다.
