hệ thống khuyến nghị đã ảnh hưởng hoặc thậm chí xác định lại cuộc sống của chúng tôi trong nhiều cách. Một ví dụ về tác động này là như thế nào kinh nghiệm mua sắm trực tuyến của chúng tôi đang được định nghĩa lại. Như chúng ta duyệt qua các sản phẩm, các khuyến nghị hệ thống khuyến nghị phục vụ các sản phẩm chúng tôi có thể quan tâm. Bất kể quan điểm - kinh doanh hoặc tiêu dùng, hệ thống khuyến nghị đã được vô cùng có lợi. Và dữ liệu lớn là động lực đằng sau hệ thống khuyến nghị. Một hệ thống nghị điển hình không thể làm công việc của mình mà không có đủ dữ liệu và dữ liệu lớn cung cấp nhiều dữ liệu người dùng như mua qua, lịch sử duyệt web, và phản hồi cho hệ thống khuyến nghị để cung cấp các khuyến nghị liên quan và hiệu quả. Ở trong trái hồ đào, ngay cả những người giới thiệu tiên tiến nhất cũng không thể có hiệu quả mà không có dữ liệu lớn.
Làm thế nào một công việc hệ thống khuyến nghị?
Một hệ thống nghị làm việc ở được xác định rõ, giai đoạn hợp lý đó là thu thập dữ liệu, xếp hạng, và lọc. Những giai đoạn được mô tả dưới đây.
Thu thập dữ liệu
Hãy để chúng tôi giả định rằng người dùng của trang web của Amazon được xem cuốn sách và đọc các thông tin chi tiết. Mỗi lần đọc nhấp vào một liên kết, một sự kiện như một sự kiện Ajax có thể bị sa thải. Các loại sự kiện có thể thay đổi tùy thuộc vào công nghệ. Sự kiện này sau đó có thể làm cho một mục nhập vào một cơ sở dữ liệu thường là một cơ sở dữ liệu NoSQL. Các mục là kỹ thuật trong nội dung nhưng trong ngôn ngữ của giáo dân có thể đọc một cái gì đó giống như "Một người dùng nhấp Chi tiết sản phẩm Z một lần". Đó là cách chi tiết người dùng bị bắt giữ và lưu trữ cho các khuyến nghị trong tương lai.
Làm thế nào để hệ thống khuyến nghị nắm bắt được thông tin chi tiết? Nếu người dùng đã đăng nhập, sau đó các chi tiết được chiết xuất hoặc từ một phiên http hoặc từ các tập tin cookie hệ thống. Trong trường hợp hệ thống khuyến nghị phụ thuộc vào hệ thống tập tin cookie, sau đó các dữ liệu có sẵn chỉ đến thời gian mà người dùng đang sử dụng thiết bị đầu cuối cùng. Sự kiện được bắn gần như trong mọi trường hợp - một người dùng thích một sản phẩm hoặc thêm nó vào một giỏ hàng và mua nó. Vì vậy, đó là cách chi tiết người dùng được lưu trữ. Nhưng đó chỉ là một phần của những gì người giới thiệu làm.
Các đoạn văn sau đây cho thấy cách Amazon cung cấp đề xuất sản phẩm của mình cho một người dùng được qua các hiệu sách:
- As shown by the image below, khi người dùng tìm kiếm những cuốn sách Harry Potter và Hòn đá Triết gia, một số kiến nghị đã được đưa ra.
Hệ thống khuyến nghị
- Trong một ví dụ khác, khách hàng tìm kiếm Amazon cho Canon EOS 1200D 18MP Digital SLR Camera (Đen) được thú vị cho một số kiến nghị về phụ kiện máy ảnh.
Hệ thống khuyến nghị
xếp hạng
Đánh giá là quan trọng trong ý nghĩa rằng họ cho bạn biết những gì một người sử dụng cảm nhận về một sản phẩm. cảm xúc của người sử dụng về một sản phẩm có thể được phản ánh đến một mức độ nào đó trong hành động của anh ta hoặc cô ấy có như lượt thích, thêm vào giỏ hàng, mua hoặc chỉ cần nhấp chuột. hệ thống khuyến nghị có thể gán xếp hạng ngầm dựa trên hành động người dùng. Đánh giá tối đa là 5. For example, mua hàng có thể được gán một đánh giá của 4, thích có thể nhận được 3, click chuột có thể nhận được 2 and so on. hệ thống Khuyến nghị cũng có thể đưa vào xếp hạng tài khoản người dùng và thông tin phản hồi cung cấp.
Filtering
Lọc có nghĩa là sản phẩm lọc dựa trên xếp hạng và dữ liệu người dùng khác. hệ thống khuyến nghị sử dụng ba loại lọc: hợp tác, dựa trên người dùng và một phương pháp lai. Trong hợp tác lọc, so sánh sự lựa chọn của người sử dụng được thực hiện và kiến nghị đưa ra. For example, nếu người sử dụng X thích sản phẩm A, B, C, và D và sử dụng Y thích sản phẩm A, B, C, D và E, nó có khả năng là người sử dụng X sẽ được giới thiệu sản phẩm E bởi vì có rất nhiều điểm tương đồng giữa người sử dụng X và Y như xa như lựa chọn các sản phẩm được quan tâm.
Một số thương hiệu có uy tín như Facebook, Twitter, LinkedIn, đàn bà gan dạ, Google News, Spotify và Last.fm sử dụng mô hình này để cung cấp các khuyến nghị có hiệu quả và phù hợp. Trong lọc dựa trên người dùng, lịch sử duyệt web của người dùng, thích, mua hàng và xếp hạng được đưa vào tài khoản trước khi cung cấp các khuyến nghị. Mô hình này được sử dụng bởi nhiều thương hiệu có uy tín như IMDB, Rotten Tomatoes và Pandora. Nhiều công ty cũng sử dụng một phương pháp lai. Netflix được biết là sử dụng một phương pháp lai.
Vai trò của dữ liệu lớn
Như đã nêu trước, ổ đĩa dữ liệu lớn những gì người giới thiệu làm chủ yếu. Người giới thiệu không thể làm một điều mà không có sự cung cấp liên tục của dữ liệu. However, vai trò của dữ liệu lớn vượt xa chỉ cần dữ liệu. Rõ ràng là các hoạt động nêu trên đòi hỏi một CPU công suất lớn có thể làm việc trong nhiều giờ. Để nhận ra điều này, Hadoop có thể được sử dụng. Để giảm bớt các công việc thủ công cần thiết để mã, xác định các thuật toán đúng, phương pháp tương tự và các nhiệm vụ khác, Quản tượng có thể được sử dụng.
Mahout là một thư viện bao gồm các thuật toán học máy. Nó cung cấp một tập hợp các tùy chọn để lựa chọn thuật toán khuyến nghị, chọn n-khu vực gần các nước láng giềng và các phương pháp tương tự. Mặc dù nó là một lớp Java tiêu chuẩn, nó hoạt động hoàn toàn trên Hadoop.
Để thực hiện nhiệm vụ của bạn dễ dàng hơn, bạn có thể sử dụng một công cụ gọi là PredictionIO mà bó cả Mahout và Hadoop và những gì nhiều hơn, nó cung cấp một giao diện người dùng đẹp.
So, vai trò của dữ liệu lớn có thể tóm tắt trong việc cung cấp đầy ý nghĩa, dữ liệu hành động nhanh chóng và cung cấp các thiết lập cần thiết để nhanh chóng xử lý dữ liệu. Rõ ràng là các công nghệ truyền thống không có nghĩa là để xử lý khối lượng lớn dữ liệu một cách nhanh chóng. So, nó sẽ không đủ để chỉ có dữ liệu lớn để cung cấp các khuyến nghị mạnh mẽ.
Các trường hợp sử dụng Amazon
Làm thế nào Amazon sử dụng bộ đôi quyền lực của dữ liệu lớn và hệ thống khuyến nghị có giá trị nghiên cứu. Amazon đã được trong những cách nhất định một người tiên phong của thương mại điện tử, nhưng quan trọng hơn lời khen tặng là cách nó được thúc đẩy doanh thu của nó lên bằng cách cung cấp nhiều hơn và hiệu quả hơn khuyến nghị.
Mua có thể được cả hai bốc đồng và lên kế hoạch và Amazon là thông minh khai thác vào tâm trí của người mua sắm bốc đồng bằng cách cung cấp đề xuất sản phẩm có liên quan và hữu ích. Cho rằng, nó đang không ngừng làm việc trên làm cơ Khuyến nghị của nó mạnh hơn. Mua sắm có một kết nối với tâm lý học. Người mua mua cho hài lòng tức thì, ngay lập tức nâng lên tâm trạng, trọng xã hội và lý do thậm chí không cho họ biết rõ.
Amazon là đủ thông minh để có những yếu tố vào tài khoản. Và bây giờ, nó đang làm việc trên một hệ thống gọi là tiên đoán văn có nghĩa là động cơ Khuyến nghị của nó có thể dự đoán những gì khách hàng sẽ mua và sắp xếp cho một công văn nhanh chóng.
Điều gì làm cho những thành tựu của Amazon khấu hơn là một thực tế rằng không giống như Facebook - đó cũng phụ thuộc rất nhiều vào dữ liệu lớn - mà biết rất nhiều chi tiết về thuê bao của mình, tất cả Amazon biết về khách hàng của mình là các mô hình chi tiêu.
Amazon đã được thanh toán tiền mặt về kiến thức này thông minh trong một nỗ lực để có được nhiều hơn ra khỏi túi của bạn. Đó là một công việc khó khăn để phân tích mô hình chi tiêu, thích, ưu đãi về sản phẩm và cung cấp các khuyến nghị có hiệu quả chỉ trên cơ sở đó. Và bây giờ, Amazon đang cố gắng để làm cho có sẵn các công cụ và công nghệ sử dụng dữ liệu lớn và hệ thống khuyến nghị nên có hiệu quả để bán cho các công ty khác sử dụng dữ liệu lớn của nó. So, quảng cáo sản phẩm của Amazon sẽ bắt đầu xuất hiện thường xuyên hơn trên các trang web khác như là tốt và có nghĩa là sẽ đẩy doanh số bán hàng.
Những hình ảnh dưới đây cho thấy các công ty lớn như thế nào đã được sử dụng sức mạnh của dữ liệu lớn và động cơ Khuyến nghị.
Kiến nghị
Giới hạn của hệ thống khuyến nghị
Đối với tất cả các hiệu quả của họ, Hệ thống khuyến cáo không phải là một hệ thống đầy đủ bằng chứng. Người giới thiệu đã được biết là bị các giới hạn sau:
- Người giới thiệu phụ thuộc hoàn toàn vào dữ liệu và người thuê họ phải liên tục cung cấp cho họ với khối lượng lớn dữ liệu. Đó là lý do tại sao; các công ty nhỏ bị thiệt thòi nhiều hơn thì các công ty lớn như Google và Amazon.
- Người giới thiệu có thể tìm thấy nó khó khăn để xác định chính xác mô hình người sử dụng lựa chọn nếu thích người dùng có xu hướng thay đổi một cách nhanh chóng, như trong thời trang. Người giới thiệu phụ thuộc rất nhiều vào dữ liệu lịch sử, nhưng có thể không phù hợp với hốc sản phẩm nhất định.
- Người giới thiệu phải đối mặt với các vấn đề với các mặt hàng không thể đoán trước. For example, có nhiều loại phim nhất định mà gợi lên những phản ứng cực đoan như tình yêu hay ghét. Nó là vô cùng khó khăn để cung cấp các khuyến nghị cho các hạng mục như.
Summary
Trong khi dữ liệu và kiến nghị lớn động cơ đã chứng tỏ là một sự kết hợp cực kỳ hữu ích cho các tập đoàn lớn, nó đặt ra một câu hỏi liệu công ty có ngân sách nhỏ hơn có thể đủ khả năng đầu tư đó. Đó là khuyến khích cho các công ty mà công cụ dữ liệu lớn và công nghệ là tương đối phải chăng hơn. đề xuất sản phẩm là vô cùng quan trọng để cung cấp một trải nghiệm người dùng tốt từ quan điểm của khách hàng. Also, từ quan điểm của công ty, nó sẽ đưa vào các yếu tố chưa biết rằng có thể làm cho một khách hàng mua sản phẩm mà có thể có vẻ khó. Như các chương trình hình ảnh trên, sức mạnh của người giới thiệu là nhận được lớn hơn.
