Ieteikums sistēmas ir ietekmējuši vai pat jauna mūsu dzīvi daudzos veidos. Viens piemērs no šīs ietekmes ir kā mūsu tiešsaistes iepirkšanās pieredzi, tiek no jauna. Kā mēs pārlūkot produktiem, ieteikumu sistēma piedāvājumu ieteikumi produktus mēs varētu būt ieinteresēti,,en,Neatkarīgi no perspektīvas - uzņēmumu vai patērētāju,,en,Ieteikums sistēmas ir ļoti izdevīga,,en,Un liels dati ir virzītājspēks rekomendācija sistēmām,,en,Tipisks ieteikums sistēma nevar darīt savu darbu bez pietiekamiem datiem un lielo datu piegādā daudz lietotāju datu, piemēram, iepriekšējos pirkumus,,en,pārlūkošanas vēsturi,,en,un atsauksmes par ieteikumu sistēmām, lai nodrošinātu atbilstošus un efektīvus ieteikumus,,en,pat visattīstītākajās ieteikumu veidotāji nevar būt efektīva bez lielas datu,,en,Kā ieteikumu sistēma darbojas,,en,Ieteikums sistēma darbojas labi definēta,,en,loģiskie fāzes, kas ir datu vākšana,,en,atsauksmes,,en,un filtrēšana,,en,Šie posmi ir aprakstīti zemāk,,en,Datu vākšana,,en. 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.
How does a Recommendation system work?
A Recommendation system works in well-defined, logical phases which are data collection, ratings, and filtering. These phases are described below.
Data collection
Pieņemsim, ka lietotājs Amazon mājas pārlūko grāmatām un lasīšanu informāciju,,en,Katru reizi, kad lasītājs noklikšķina uz saites,,en,notikums, piemēram, Ajax notikums varētu tikt atlaists,,en,Pasākums veids var atšķirties atkarībā no izmantotās tehnoloģijas,,en,Pasākums tam varētu veikt ieceļošanu datu bāzē, kas parasti ir NoSQL datu bāze,,en,Ieraksts ir tehniska saturu, bet nespeciālista valodā var izlasīt kaut ko līdzīgu "lietotājam uzklikšķināt Product Z detaļas reiz",,en,Tas ir veids, kā lietotāja dati iegūt notverti un glabāti nākotnes ieteikumiem,,en,Kā ieteikums sistēma attēlotu informāciju,,en,Ja lietotājs ir pieteicies,,en,tad dati tiek iegūti vai nu no http sesijas vai no sistēmas cepumi,,en,Ja ieteikums sistēma ir atkarīga no sistēmas cepumiem,,en. Each time the reader clicks on a link, an event such as an Ajax event could be fired. The event type could vary depending on the technology used. The event then could make an entry into a database which usually is a NoSQL database. The entry is technical in content but in layman’s language could read something like “User A clicked Product Z details once”. That is how user details get captured and stored for future recommendations.
How does the Recommendation system capture the details? If the user has logged in, then the details are extracted either from an http session or from the system cookies. In case the Recommendation system depends on system cookies, tad dati ir pieejami tikai līdz brīdim, kad lietotājs izmanto to pašu termināli,,en,Pasākumi tiek atlaisti gandrīz visos gadījumos - lietotājs patika produktu vai pievienojot to grozā un pērk to,,en,Tātad, tas ir, kā lietotāja dati tiek glabāti,,en,Bet tas ir tikai viena daļa no tā, ko ieteikumu veidotāji darīt,,en,Turpmākajos punktos parāda, kā Amazon piedāvā savu produktu ieteikumus ar lietotāju, kurš pārlūko grāmatām,,en,ja lietotājs meklēja grāmatas Harijs Poters un Filozofu akmens,,en,vairāki ieteikumi tika dota,,en,Ieteikums sistēma,,en,Citā piemērā,,en,klients, kas meklēja Amazon Canon EOS 1200D 18MP Digital SLR Camera,,en,melns,,en,bija interesanti, ņemot vērā vairākus ieteikumus par kameru piederumi,,en,vērtējumi,,en. Events are fired almost in every case — a user liking a Product or adding it to a cart and purchasing it. So that is how user details are stored. But that is just one part of what Recommenders do.
The following paragraphs show how Amazon offers its product recommendations to a user who is browsing for books:
- As shown by the image below, when a user searched for the book Harry Potter and the Philosopher’s Stone, several recommendations were given.
Recommendation System
- In another example, a customer who searched Amazon for Canon EOS 1200D 18MP Digital SLR Camera (Black) was interestingly given several recommendations on camera accessories.
Recommendation System
Ratings
Reitingi ir svarīga tādā ziņā, ka viņi jums pateiks, ko lietotājs uzskata par produktu,,en,Lietotāja izjūtas par produktu var atspoguļot ar mērā darbību viņš vai viņa uzskata, piemēram, patīk,,en,pievienojot grozā,,en,iepirkumu vai vienkārši uzklikšķinot,,en,Rekomendācijas sistēmas var piešķirt netiešu vērtējumus, balstoties uz lietotāja darbību,,en,Maksimālais vērtējums ir,,en,iepirkumu var piešķirt vērtējumu,,en,Patīk var iegūt,,en,noklikšķinot var iegūt,,en,Rekomendācijas sistēmas var ņemt vērā vērtējumiem arī un atgriezeniskās saites lietotājiem sniedz,,en,Filtrēšana nozīmē filtrēšanas produktu, pamatojoties uz vērtējumiem un citu lietotāju datus,,en,Ieteikums sistēmas izmanto trīs veidu filtrēšanas,,en,sadarbības,,en,lietotāja balstītu un hibrīda pieeja,,en,Kopīgiem filtrēšanu,,en,salīdzinājums lietotāju izvēli tiek darīts, un rekomendācijas, ņemot vērā,,en,ja lietotājs X patīk produktus A,,en. User’s feelings about a product can be reflected to an extent in the actions he or she takes such as likes, adding to shopping cart, purchasing or just clicking. Recommendation systems can assign implicit ratings based on user actions. The maximum rating is 5. For example, purchasing can be assigned a rating of 4, likes can get 3, clicking can get 2 and so on. Recommendation systems can also take into account ratings and feedback users provide.
Filtering
Filtering means filtering products based on ratings and other user data. Recommendation systems use three types of filtering: collaborative, user-based and a hybrid approach. In collaborative filtering, a comparison of users’ choices is done and recommendations given. For example, if user X likes products A, B, C, un D un lietotājs Y patīk PRODUCTS A,,en,D un E,,en,IT ir iespējams, ka lietotājs X tiks ieteikts produkts E, jo ir daudz līdzību starp lietotāju X un Y, cik vien izvēle produktu bažas,,en,Vairāki pazīstamu zīmolu, piemēram, Facebook,,en,Amazone,,en,Google News,,en,Spotify un Last.fm izmantot šo modeli, lai nodrošinātu efektīvus un atbilstošus ieteikumus,,en,Lietotāja balstītu filtrēšana,,en,lietotāja pārlūkošanas vēsturi,,en,patīk,,en,tiek ņemtas vērā pirkumus un vērtējumi, pirms sniegt ieteikumus,,en,Šis modelis izmanto daudziem slaveniem zīmoliem, piemēram, IMDB,,en,Rotten Tomatoes un Pandora,,en,Daudzi uzņēmumi arī izmanto hibrīda pieeju,,en,Netflix ir zināms, ka izmantot hibrīda pieeju,,en,Loma lielu datu,,en,Kā minēts iepriekš,,en,liels datu diskus kādi ieteikumu veidotāji darīt galvenokārt,,en, B, C, D and E, the it is likely that user X will be recommended product E because there are a lot of similarities between users X and Y as far as choice of products is concerned.
Several reputed brands such as Facebook, Twitter, LinkedIn, Amazon, Google News, Spotify and Last.fm use this model to provide effective and relevant recommendations. In user-based filtering, the user’s browsing history, likes, purchases and ratings are taken into account before providing recommendations. This model is used by many reputed brands such as IMDB, Rotten Tomatoes and Pandora. Many companies also use a hybrid approach. Netflix is known to use a hybrid approach.
Role of big data
As stated earlier, big data drives what Recommenders do primarily. Ieteikumu veidotāji nevar iesākt bez pastāvīgas piegādes datiem,,en,loma lielo datu pārsniedz tikai datu,,en,Ir skaidrs, ka minētās darbības ir nepieciešama augstas ietilpības CPU, kas var strādāt stundām,,en,Lai realizētu šo,,en,Hadoop var izmantot,,en,Lai samazinātu roku darbu, kas nepieciešama, lai kodu,,en,identificēt pareizos algoritmi,,en,līdzība metodes un citi uzdevumi,,en,Mahout varētu izmantot,,en,Mahout ir bibliotēka, kas sastāv no mašīnas algoritmus,,en,Tas paredz virkni iespēju izvēlēties ieteikumu algoritmu,,en,Izvēloties n-tuvākos kaimiņus un līdzības metodes,,en,Lai gan tas ir standarta Java klases,,en,tas darbojas tikai uz Hadoop,,en,Lai padarītu savus uzdevumus vēl vienkāršāk,,en,Jūs varat izmantot rīku, kas pazīstama kā PredictionIO vienkopus gan ziloņu dzinējs un Hadoop un kādas vēl,,en,tas nodrošina jauku lietotāja interfeisu,,en. However, the role of big data goes beyond just data. It is clear that the above operations require a high-capacity CPU which can work for hours. To realize this, Hadoop can be used. To reduce the manual work needed to code, identify right algorithms, similarity methods and other tasks, Mahout could be used.
Mahout is a library that comprises machine learning algorithms. It provides a set of options to choose recommendation algorithm, choosing n-nearest neighbors and similarity methods. Though it is a standard Java class, it operates purely on Hadoop.
To make your tasks even easier, you can use a tool known as PredictionIO which bundles both Mahout and Hadoop and what more, it provides a nice user interface.
So, loma lielo datus var apkopot, sniedzot nozīmīgu,,en,Dati, ātri un sniegt vajadzīgo iestatīšanu, lai ātri apstrādātu datus,,en,Ir skaidrs, ka tradicionālās tehnoloģijas nav domātas, lai apstrādātu šādus liela apjoma datus, lai ātri,,en,ar to nepietiks, lai tikai ir lielas datus, lai sniegtu spēcīgu ieteikumus,,en,Amazon lietošanas gadījumu,,en,Kā Amazon izmanto jaudīgu duets lielo datu un rekomendāciju sistēma ir vērts pētījums,,en,Amazon ir dažos veidos pionieris e-komercijas, bet vēl svarīgāk, nekā balva ir, kā tas ir braukšanas savu ieņēmumu augšu, nodrošinot vairāk un efektīvākus ieteikumus,,en, actionable data fast and providing necessary setup to quickly process the data. It is obvious that traditional technologies are not meant to process such large volumes of data so quickly. So, it will not suffice to just have big data in order to provide strong recommendations.
The Amazon use case
How Amazon uses the powerful duo of big data and Recommendation System is worth a study. Amazon has been in certain ways a pioneer of ecommerce but more important than that accolade is how it is driving its revenue up by providing more and more effective recommendations.
Pirkšana var būt gan impulsīvs un plānoto un Amazon ir gudri nokļūstot impulsīvs pircējs prātā, nodrošinot atbilstošu un noderīgu produktu ieteikumi,,en,tas ir nerimstoši strādā, lai padarītu tās ieteikums dzinējs jaudīgāks,,en,Iepirkšanās ir savienojums ar psiholoģijas,,en,Pircējiem iegādāties instant iepriecinājums,,en,tūlītēja garastāvokļa pacēlums,,en,sociālā cieņa un iemesli nav pat zināms, ka tām ir skaidri,,en,Amazon ir pietiekami gudrs, lai ņemtu vērā šos faktorus,,en,Un tagad,,en,tas strādā par sistēmu, ko sauc prognozēt nosūtīšanu, kas nozīmē, ka tās ieteikums dzinējs, var paredzēt, kāds klients gatavojas iegādāties un veikt pasākumus, lai varētu ātri nosūtīt,,en. For that, it is relentlessly working on making its Recommendation engine more powerful. Shopping has a connection with psychology. Shoppers buy for instant gratification, 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.
Kas padara Amazon sasniegumi vēl slavējams ir fakts, ka atšķirībā no Facebook - kas atkarīga arī no daudz par lielu datiem - kas zina daudz informāciju par saviem abonentiem,,en,visu Amazon zina par saviem klientiem, ir izdevumu modeļi,,en,Amazon ir cashing par šo zināšanu gudri, mēģinot iegūt vairāk no jūsu kabatām,,en,Tas ir grūts darbs, lai analizētu tēriņu paradumus,,en,produktu izvēli un sniegt efektīvus ieteikumus tikai uz šī pamata,,en,Amazon mēģina darīt pieejamus savus instrumentus un tehnoloģijas, kas izmanto lielu datu un Recommendation sistēmas tik efektīvi pārdošanai citām sabiedrībām, kas izmanto lielu datu,,en,Amazon produktu reklāmas sāks parādīties biežāk citās tīmekļa vietnēs, kā arī, un tas būs piebraukt pārdošanu,,en, all Amazon knows about its customers are the spending patterns.
Amazon has been cashing on this knowledge smartly in an attempt to get more out of your pockets. It is a difficult job to analyze spending patterns, likes, product preferences and provide effective recommendations just on that basis. And now, Amazon is trying to make available its tools and technologies that use big data and Recommendation systems so effectively for sale to other corporations that use big data. So, Amazon’s product ads will start to appear more frequently on other websites as well and that is going to drive up sales.
Nākamajā attēlā ir redzams, cik liels uzņēmumi ir izmantojot varu lielo datu un rekomendācija dzinējiem,,en,Ieteikumi,,en,Ierobežojumi ieteikuma sistēmu,,en,Visiem saviem efektivitāte,,en,Ieteikums Systems nav pilns pierādījumu sistēmu,,en,Ieteikumu veidotāji ir zināms, ka cieš no šādiem ierobežojumiem,,en,Ieteikumu veidotāji ir atkarīga pilnīgi uz datiem un to nomniekiem ir pastāvīgi nodrošināt tās ar lielu datu apjomu,,en,Tāpēc,,en,mazie uzņēmumi ir vairāk nelabvēlīgā tad lielāki uzņēmumi, piemēram, Google un Amazon,,en,Ieteikumu veidotāji var būt grūti precīzi noteikt lietotāja izvēles modeļus, ja lietotājs preferences mēdz ātri mainīties,,en,kā modē,,en,Ieteikumu veidotāji ir atkarīgi daudz par vēsturiskiem datiem, bet tas var nebūt piemērots noteiktām produktu nišas,,en,Ieteikumu veidotāji saskaras problēmas ar neparedzamām posteņiem,,en.
Recommendations
Limits of Recommendation systems
For all their efficiencies, Recommendation Systems are not a full proof system. Recommenders have been known to suffer from the following limitations:
- Recommenders depend totally on data and their hirers must constantly supply them with large volumes of data. That is why; smaller firms are more disadvantaged then the bigger firms such as Google and Amazon.
- Recommenders may find it difficult to exactly identify user choice patterns if the user preferences tend to vary quickly, as in fashion. Recommenders depend a lot on historic data but that may not be suitable for certain product niches.
- Recommenders face problems with unpredictable items. For example, ir daži filmu veidi, kas atsauktos ekstrēmas reakcijas, piemēram, mīlestība vai naida,,en,Tas ir ļoti grūti sniegt ieteikumus par šādām pozīcijām,,en,Kamēr lielie dati un ieteikums dzinēji jau ir pierādījuši ļoti noderīgs kombināciju lielajām korporācijām,,en,rodas jautājums par to, vai uzņēmumi ar mazāku budžetu var atļauties šādus ieguldījumus,,en,Tas ir iepriecinoši, šādiem uzņēmumiem, kas lielu datu rīki un tehnoloģijas ir salīdzinoši vairāk pieejamu,,en,Produkta ieteikumi ir ļoti svarīgi, lai nodrošinātu labu lietotāju pieredzi no klienta viedokļa,,en,No uzņēmuma viedokļa,,en,tā ņem vērā nezināmiem faktoriem, kas var padarīt klientam iegādāties produktus, kas varētu šķist maz ticams,,en,Kā iepriekš attēlu rāda,,en,jauda ieteikumu veidotāji kļūst lielāka,,en. It is extremely difficult to provide recommendations for such items.
Summary
While big data and Recommendation engines have already proved an extremely useful combination for big corporations, it raises a question of whether companies with smaller budgets can afford such investments. It is encouraging for such companies that big data tools and technologies are relatively more affordable. Product recommendations are extremely important to provide a good user experience from the customer’s viewpoint. Also, from the company’s viewpoint, 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.
