ระบบคำแนะนำมีผลกระทบหรือแม้กระทั่งนิยามใหม่ของชีวิตของเราในหลาย ๆ. ตัวอย่างหนึ่งของผลกระทบนี้เป็นวิธีที่ประสบการณ์การช็อปปิ้งออนไลน์ของเราจะถูกนิยามใหม่. ในฐานะที่เราเรียกดูผ่านทางผลิตภัณฑ์, คำแนะนำที่มีระบบคำแนะนำของผลิตภัณฑ์ที่เราอาจจะสนใจใน. โดยไม่คำนึงถึงมุมมอง - ธุรกิจหรือผู้บริโภค, ระบบข้อเสนอแนะที่ได้รับประโยชน์อย่างมาก. และข้อมูลขนาดใหญ่เป็นแรงผลักดันที่อยู่เบื้องหลังระบบคำแนะนำ. ระบบคำแนะนำทั่วไปไม่สามารถทำในงานของตนที่ไม่มีข้อมูลที่เพียงพอและข้อมูลขนาดใหญ่ซัพพลายความอุดมสมบูรณ์ของข้อมูลของผู้ใช้เช่นการซื้อที่ผ่านมา, ประวัติการค้นหา, และข้อเสนอแนะสำหรับระบบคำแนะนำที่จะให้คำแนะนำที่เกี่ยวข้องและมีประสิทธิภาพ. โดยสังเขป, แม้ Recommenders ขั้นสูงส่วนใหญ่ไม่สามารถที่จะมีประสิทธิภาพโดยไม่ต้องข้อมูลขนาดใหญ่.
วิธีการทำงานของระบบแนะนำ?
ระบบการทำงานในคำแนะนำที่ดีที่กำหนด, ขั้นตอนตรรกะที่มีการเก็บรวบรวมข้อมูล, การจัดอันดับ, และการกรอง. ขั้นตอนเหล่านี้จะอธิบายไว้ด้านล่าง.
การเก็บรวบรวมข้อมูล
ให้เราคิดว่าผู้ใช้ของเว็บไซต์ Amazon เรียกดูหนังสือและอ่านรายละเอียด. แต่ละครั้งที่อ่านคลิกที่ลิงค์, เหตุการณ์ดังกล่าวเป็นเหตุการณ์ที่อาแจ็กซ์อาจจะถูกไล่ออก. ประเภทเหตุการณ์อาจแตกต่างกันขึ้นอยู่กับเทคโนโลยีที่ใช้. เหตุการณ์ที่เกิดขึ้นแล้วจะทำให้เข้าสู่ฐานข้อมูลซึ่งมักจะเป็นฐานข้อมูล NoSQL. รายการทางเทคนิคในเนื้อหา แต่ในภาษาของคนธรรมดาสามารถอ่านบางอย่างเช่น "ผู้ใช้คลิกรายละเอียดสินค้า Z ครั้งเดียว". นั่นคือวิธีที่ผู้ใช้รายละเอียดได้รับการบันทึกและเก็บไว้สำหรับคำแนะนำในอนาคต.
วิธีการที่ไม่แนะนำระบบจับรายละเอียด? หากผู้ใช้มีการบันทึกไว้ใน, แล้วรายละเอียดจะถูกดึงทั้งจากเซสชั่น HTTP หรือคุกกี้จากระบบ. ในกรณีที่ระบบคำแนะนำขึ้นอยู่กับคุกกี้ระบบ, จากนั้นข้อมูลจะใช้ได้เฉพาะจนถึงเวลาที่ผู้ใช้จะใช้ terminal เดียวกัน. เหตุการณ์ถูกยิงได้ในเกือบทุกกรณี - ผู้ใช้ที่ชื่นชอบผลิตภัณฑ์หรือการเพิ่มลงในรถเข็นและซื้อมัน. เพื่อให้เป็นวิธีการรายละเอียดของผู้ใช้จะถูกเก็บไว้. แต่นั่นเป็นเพียงส่วนหนึ่งของสิ่งที่ทำ Recommenders.
ย่อหน้าต่อไปนี้แสดงให้เห็นว่าอเมซอนมีแนะนำผลิตภัณฑ์ให้กับผู้ใช้ที่กำลังอ่านหนังสือ:
- As shown by the image below, เมื่อผู้ใช้ค้นหาหนังสือแฮร์รี่พอตเตอร์กับศิลาอาถรรพ์, คำแนะนำหลายที่ได้รับ.
ระบบแนะนำ
- อีกตัวอย่างหนึ่งคือ, ลูกค้าที่ค้นหา Amazon สำหรับกล้อง Canon EOS 1200D 18MP ดิจิตอล SLR (สีดำ) ได้รับข้อเสนอแนะที่น่าสนใจหลายอุปกรณ์กล้อง.
ระบบแนะนำ
ความนิยม
ความนิยมที่มีความสำคัญในแง่ที่ว่าพวกเขาบอกคุณสิ่งที่ผู้ใช้รู้สึกเกี่ยวกับผลิตภัณฑ์. ความรู้สึกของผู้ใช้เกี่ยวกับผลิตภัณฑ์ที่สามารถสะท้อนให้เห็นถึงการแสดงความคิดเห็นในการกระทำที่เขาหรือเธอจะใช้เวลาเช่นชอบ, เพิ่มในรถเข็น, การซื้อหรือเพียงแค่คลิก. ระบบคำแนะนำสามารถกำหนดการจัดอันดับโดยปริยายขึ้นอยู่กับการกระทำของผู้ใช้. การให้คะแนนสูงสุดคือ 5. For example, การจัดซื้อจะได้รับมอบหมายการจัดอันดับของ 4, ชอบจะได้รับ 3, คลิกที่จะได้รับ 2 เป็นต้น. ระบบคำแนะนำนอกจากนี้ยังสามารถใช้เวลาในการจัดอันดับบัญชีและผู้ใช้ข้อเสนอแนะให้.
กรอง
กรองหมายถึงผลิตภัณฑ์กรองจากการจัดอันดับและข้อมูลผู้ใช้อื่น ๆ. ระบบคำแนะนำใช้สามประเภทของการกรอง: การทำงานร่วมกัน, ผู้ใช้ที่ใช้และวิธีการไฮบริด. การทำงานร่วมกันในการกรอง, การเปรียบเทียบทางเลือกของผู้ใช้จะทำและข้อเสนอแนะที่ได้รับ. For example, หากผู้ใช้ X ชอบของ A, B, C, และ D และผู้ใช้ Y ชอบของ A, B, C, D และ E, มันเป็นไปได้ว่าผู้ใช้ X จะได้รับการแนะนำผลิตภัณฑ์ E เพราะมีจำนวนมากที่มีความคล้ายคลึงกันระหว่างผู้ใช้และ X Y เท่าที่เป็นทางเลือกของผลิตภัณฑ์ที่เป็นห่วง.
แบรนด์ที่มีชื่อเสียงหลายคนเช่น Facebook, Twitter, LinkedIn, อเมซอน, ข่าว Google, Spotify และ Last.fm ใช้รูปแบบนี้เพื่อให้คำแนะนำที่มีประสิทธิภาพและมีความเกี่ยวข้อง. ในการกรองตามผู้ใช้, ประวัติการท่องเว็บของผู้ใช้, ชอบ, การซื้อสินค้าและการให้คะแนนจะถูกนำเข้าบัญชีก่อนที่จะให้คำแนะนำ. รุ่นนี้จะถูกใช้โดยแบรนด์ที่มีชื่อเสียงหลายอย่างเช่นไอเอ็ม, มะเขือเทศเน่าและแพนดอร่า. หลาย บริษัท ยังใช้วิธีไฮบริด. Netflix เป็นที่รู้จักกันที่จะใช้วิธีการไฮบริด.
บทบาทของข้อมูลขนาดใหญ่
ตามที่ระบุไว้ก่อนหน้านี้, ไดรฟ์ข้อมูลขนาดใหญ่สิ่งที่ทำ Recommenders หลัก. recommenders ไม่สามารถทำอะไรได้โดยไม่ต้องอุปทานคงที่ของข้อมูล. However, บทบาทของข้อมูลขนาดใหญ่เกินกว่าข้อมูลเพียงแค่ไป. เป็นที่ชัดเจนว่าการดำเนินการดังกล่าวข้างต้นต้องใช้ CPU ที่มีความจุสูงที่สามารถทำงานเป็นเวลาหลายชั่วโมง. ที่จะตระหนักถึงนี้, Hadoop สามารถนำมาใช้. เพื่อลดการทำงานด้วยตนเองที่จำเป็นในการเขียนโค้ด, ระบุขั้นตอนวิธีการที่เหมาะสม, วิธีการคล้ายคลึงกันและงานอื่น ๆ, ควาญช้างสามารถนำมาใช้.
ควาญช้างเป็นห้องสมุดที่ประกอบด้วยขั้นตอนวิธีการเรียนรู้ของเครื่อง. มันมีชุดของตัวเลือกให้เลือกอัลกอริทึมข้อเสนอแนะ, เลือก N-เพื่อนบ้านที่ใกล้ที่สุดและวิธีการคล้ายคลึงกัน. แม้ว่าจะเป็นระดับมาตรฐาน Java, จะดำเนินการอย่างหมดจด Hadoop.
เพื่อให้งานของคุณง่ายยิ่งขึ้น, คุณสามารถใช้เครื่องมือที่เรียกว่า PredictionIO ซึ่งการรวมกลุ่มทั้งควาญช้างและ Hadoop และสิ่งอื่น ๆ อีกมากมาย, มันมีอินเตอร์เฟซผู้ใช้ที่ดี.
So, บทบาทของข้อมูลขนาดใหญ่สามารถสรุปในการให้บริการที่มีความหมาย, ข้อมูลดำเนินการได้อย่างรวดเร็วและให้การตั้งค่าที่จำเป็นได้อย่างรวดเร็วการประมวลผลข้อมูล. เป็นที่ชัดเจนว่าเทคโนโลยีแบบดั้งเดิมไม่ได้หมายถึงการประมวลผลปริมาณมากเช่นข้อมูลได้อย่างรวดเร็ว. So, มันจะไม่พอเพียงที่จะเพียงแค่มีข้อมูลขนาดใหญ่เพื่อที่จะให้คำแนะนำที่แข็งแกร่ง.
กรณีที่อเมซอนใช้
วิธีใช้ Amazon คู่ที่มีประสิทธิภาพของข้อมูลขนาดใหญ่และระบบแนะนำที่มีค่าการศึกษา. อเมซอนได้รับในวิธีการบางอย่างที่เป็นผู้บุกเบิกของอีคอมเมิร์ซ แต่สิ่งที่สำคัญกว่าได้รับเกียรติว่าเป็นวิธีการที่จะขับรถรายได้เพิ่มขึ้นโดยการให้คำแนะนำมากขึ้นและมีประสิทธิภาพมากขึ้น.
ซื้อสามารถเป็นได้ทั้งห่ามและการวางแผนและ Amazon เป็นอย่างชาญฉลาดแตะลงในจิตใจของนักช้อปห่ามโดยการให้คำแนะนำสินค้าที่เกี่ยวข้องและเป็นประโยชน์. สำหรับการที่, มันจะไม่ลดละที่ทำงานเกี่ยวกับการทำเครื่องมือคำแนะนำที่มีประสิทธิภาพมากขึ้น. ช้อปปิ้งที่มีการเชื่อมต่อกับจิตวิทยา. ผู้ซื้อซื้อสำหรับความพึงพอใจทันที, ยกอารมณ์ทันที, ความรู้สึกมีคุณค่าทางสังคมและเหตุผลที่ไม่เป็นที่รู้จักแม้กระทั่งกับพวกเขาอย่างชัดเจน.
อเมซอนจะฉลาดพอที่จะใช้ปัจจัยเหล่านี้เข้าบัญชี. และตอนนี้, มันคือการทำงานในระบบที่เรียกว่าการจัดส่งการคาดการณ์ซึ่งหมายความว่าเครื่องยนต์แนะนำที่สามารถคาดการณ์สิ่งที่ลูกค้าจะไปซื้อและให้การเตรียมการสำหรับการจัดส่งที่รวดเร็ว.
สิ่งที่ทำให้ความสำเร็จของ Amazon เชื่อถือมากขึ้นคือความจริงที่แตกต่างจาก Facebook - ซึ่งยังต้องอาศัยจำนวนมากเกี่ยวกับข้อมูลขนาดใหญ่ - ที่รู้มากรายละเอียดเกี่ยวกับผู้ติดตามของตน, ทั้งหมด Amazon รู้เกี่ยวกับลูกค้าที่มีรูปแบบการใช้จ่าย.
อเมซอนได้รับการ cashing ในความรู้นี้อย่างชาญฉลาดในความพยายามที่จะได้รับเพิ่มเติมจากกระเป๋าของคุณ. มันเป็นงานยากที่จะวิเคราะห์รูปแบบการใช้จ่าย, ชอบ, การตั้งค่าของผลิตภัณฑ์และการให้คำแนะนำที่มีประสิทธิภาพเพียงบนพื้นฐานที่ว่า. และตอนนี้, Amazon พยายามที่จะจัดให้มีเครื่องมือและเทคโนโลยีที่ใช้ข้อมูลขนาดใหญ่และระบบคำแนะนำเพื่อให้มีประสิทธิภาพเพื่อขายให้กับ บริษัท อื่น ๆ ที่ใช้ข้อมูลขนาดใหญ่ของมัน. So, โฆษณาผลิตภัณฑ์ของ Amazon จะเริ่มปรากฏบ่อยครั้งมากขึ้นในเว็บไซต์อื่น ๆ เป็นอย่างดีและที่กำลังจะขับรถขึ้นไปขาย.
ภาพต่อไปนี้แสดงให้เห็นว่า บริษัท ขนาดใหญ่ได้รับการใช้อำนาจของข้อมูลขนาดใหญ่และเครื่องมืออแนะนำ.
ข้อเสนอแนะ
ข้อ จำกัด ของระบบคำแนะนำ
สำหรับประสิทธิภาพของพวกเขาทั้งหมด, ระบบคำแนะนำไม่ได้เป็นระบบป้องกันอย่างเต็มรูปแบบ. recommenders ได้รับทราบเพื่อทนทุกข์ทรมานจากข้อ จำกัด ดังต่อไปนี้:
- recommenders ขึ้นอยู่ทั้งหมดในข้อมูลและ hirers ของพวกเขาอย่างต่อเนื่องจะต้องจ่ายให้กับปริมาณข้อมูลขนาดใหญ่. ด้วยเหตุนี้; บริษัท ขนาดเล็กมีความด้อยโอกาสมากขึ้นแล้ว บริษัท ขนาดใหญ่เช่น Google และ Amazon.
- recommenders อาจพบว่ามันยากที่จะระบุรูปแบบว่าเลือกของผู้ใช้ถ้าค่าของผู้ใช้มีแนวโน้มที่จะแตกต่างกันไปได้อย่างรวดเร็ว, เช่นเดียวกับในแฟชั่น. recommenders ขึ้นอยู่มากในข้อมูลทางประวัติศาสตร์ แต่อาจจะไม่เหมาะสำหรับซอกผลิตภัณฑ์บางอย่าง.
- recommenders ประสบปัญหากับรายการที่คาดเดาไม่ได้. For example, มีหลายประเภทภาพยนตร์บางอย่างที่ทำให้เกิดปฏิกิริยาที่รุนแรงเช่นรักหรือเกลียด. มันเป็นเรื่องยากมากที่จะให้คำแนะนำสำหรับรายการดังกล่าว.
Summary
ในขณะที่ข้อมูลและคำแนะนำเครื่องมือขนาดใหญ่ได้พิสูจน์แล้วการรวมกันที่มีประโยชน์มากสำหรับ บริษัท ขนาดใหญ่, มันก็เกิดคำถามที่ว่า บริษัท ที่มีงบประมาณที่มีขนาดเล็กสามารถจ่ายเงินลงทุนดังกล่าว. มันเป็นกำลังใจให้กับ บริษัท ดังกล่าวว่าข้อมูลขนาดใหญ่เครื่องมือและเทคโนโลยีที่มีความเหมาะสมมากขึ้น. แนะนำผลิตภัณฑ์ที่มีความสำคัญอย่างยิ่งที่จะให้ประสบการณ์การใช้งานที่ดีจากมุมมองของลูกค้า. Also, จากมุมมองของ บริษัท ฯ, ที่มันจะมาเป็นปัจจัยที่ไม่รู้จักบัญชีที่สามารถทำให้ลูกค้าซื้อสินค้าที่อาจจะดูเหมือนไม่น่า. ในฐานะที่เป็นแสดงให้เห็นภาพด้านบน, อำนาจของ Recommenders จะเริ่มมีขนาดใหญ่.
