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, zalecenia oferta systemu rekomendacja produktów możemy być zainteresowany. Niezależnie od punktu widzenia - biznesu lub konsumenta, systemy rekomendacyjne były niezwykle korzystne. A Big Data jest siłą napędową systemy rekomendacyjne. Typowy system Zalecenie nie może wykonywać swoje zadania bez wystarczających danych i dużych danych dostarcza mnóstwo danych użytkownika, takich jak ostatnich zakupów, Historia przeglądania, i informacje zwrotne dla systemów zalecenie, aby zapewnić odpowiednie i skuteczne porady. In a nutshell, Nawet najbardziej zaawansowane rekomendujących nie może być skuteczna bez Big Data.
Jak działa system rekomendacji?
System działa w Zalecenie dobrze zdefiniowane, Fazy logiczne, które są zbiorem danych, ocen, i filtrowanie. Fazy te są przedstawione poniżej.
Gromadzenie danych
Załóżmy, że użytkownik strony internetowej Amazon jest przeglądanie i czytanie książek szczegóły. Za każdym razem czytelnik kliknie na link, zdarzenie, takie jak wydarzenia Ajax może być zwolniony. Typ zdarzenia może się różnić w zależności od zastosowanej technologii. to zdarzenie może dokonać wpisu do bazy danych, która zazwyczaj jest bazą danych NoSQL. Wpis ma charakter techniczny w treści, ale w języku laika może czytać coś jak "użytkownikowi kliknięciu szczegóły Z wyrobów raz". W ten sposób dane użytkownika dostać przechwycone i zapisane dla przyszłych zaleceń.
Jak działa system Zalecenie uchwycić szczegóły? Jeśli użytkownik zalogowany, Następnie dane są pozyskiwane z sesji http lub z systemu plików cookie. W przypadku systemu rekomendacji zależy od systemu plików cookie, then the data is available only till the time the user is using the same terminal. 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
Ratings are important in the sense that they tell you what a user feels about a product. 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, i D oraz łatwy Y lubi produkty A, B, C, D i E, IT jest prawdopodobne, że użytkownik X będą zalecane Produkt E, ponieważ istnieje wiele podobieństw między użytkownikami X i Y o ile wybór produktów jest zaniepokojony.
Kilka renomowanych marek, takich jak Facebook, Twitter, LinkedIn, Amazonka, wiadomości Google, Spotify oraz Last.fm korzystania z tego modelu, aby zapewnić skuteczne i odpowiednie zalecenia. W filtrowanie oparte użytkownika, Historia przeglądania autora, lubi, zakupy i oceny są brane pod uwagę przed przekazaniem zalecenia. Model ten jest wykorzystywany przez wielu renomowanych marek, takich jak IMDB, Rotten Tomatoes and Pandora. Wiele firm również korzystać hybrydowego podejścia. I straty znane jest zastosowanie podejścia hybrydowy.
Rola Big Data
Jak stwierdziłem wcześniej, duże dyski danych, co rekomendujących zrobić przede wszystkim. Recommenders cannot do a thing without the constant supply of data. 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, the role of big data can be summed in providing meaningful, 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.
Buying can be both impulsive and planned and Amazon is smartly tapping into the impulsive shopper’s mind by providing relevant and useful product recommendations. 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.
Co sprawia, że osiągnięcia Amazon bardziej wiarygodne jest fakt, że w przeciwieństwie do Facebook - który również opiera się wiele na Big Data - który zna wiele szczegółów na temat swoich abonentów, Amazon wie o wszystkich jego klienci są wzorce wydatków.
Amazon został zarabiają na tej wiedzy elegancko próbując wyciągnąć więcej z kieszeni. Jest to trudne zadanie, aby analizować wzorce wydatków, lubi, Preferencje produktów i zapewnić skuteczne porady tylko na tej podstawie. And now, Amazon stara się udostępniać swoje narzędzia i technologie, które wykorzystują duże ilości danych i systemy rekomendacyjne tak skutecznie na sprzedaż do innych korporacji, które korzystają z Big Data. So, reklamy produktów Amazon zacznie pojawiać się coraz częściej na innych stronach internetowych, jak również że ma zamiar jechać do sprzedaży.
The following image shows how big companies have been using the power of big data and Recommendation engines.
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, there are certain movie types that evoke extreme reactions such as love or hate. 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.
