Интеллектуальные системы рекомендаций по продуктам
Интеллектуальные системы рекомендаций по продуктам или рекомендательные системы относятся к системам фильтрации информации, цель которых – предугадывать предпочтения пользователей в отношении определенных продуктов. Например, Spotify создает новый список воспроизведения песен специально для каждого пользователя, используя их списки любимых исполнителей и музыкальных жанров.
В электронной коммерции рекомендательные системы основаны на рейтингах пользователей, списках желаний и просмотрах, чтобы предложить аналогичный продукт из той же категории. Покупатели могут видеть товары, созданные рекомендательными системами, в разделе «Покупатели, купившие этот товар, также купили…».
Этапы обработки системы
Системы рекомендаций обычно обрабатывают данные в 4 этапа: сбор, хранение, анализ и фильтрация.
1. Сбор данных. На этом этапе система собирает данные о существующих клиентах. Есть два типа данных: явные и неявные. Явные данные – это данные, предоставленные самими пользователями (оценки, комментарии); неявные данные включают клики, просмотры страниц, события корзины и т. д.
2. Хранение данных. У всех пользователей разные вкусы и предпочтения. Вот почему система собирает и хранит данные, чтобы постепенно узнавать больше о покупательском поведении клиента и о том, какие категории интересуют его больше всего, чтобы предоставить соответствующие рекомендации.
3. Анализ данных. Иногда возникает необходимость дать рекомендации для элемента, который в данный момент просматривает пользователь. В таких случаях система должна предоставить быстрый анализ просматриваемого продукта. Система может анализировать такие данные несколькими способами:
- В режиме реального времени, когда система обрабатывает данные сразу после их создания.
- Почти в реальном времени, когда система собирает данные во время одного сеанса просмотра и обновляет аналитику в течение нескольких минут или секунд.
- Пакетный анализ, когда система анализирует значительный объем данных для последующего создания рекомендации. Представленный анализ более тщательный, и в этом случае рекомендации в основном делаются через уведомления или электронные письма.
4. Фильтрация данных. Это заключительный этап, на котором система дает пользователям соответствующие рекомендации после фильтрации данных. Есть 2 типа фильтрации:
- Кластер. В этом случае система группирует похожие элементы независимо от того, что смотрели или что понравились другим пользователям, чтобы порекомендовать подходящий элемент.
- На основе содержания. Этот тип фильтрации отслеживает действия клиента, такие как время, проведенное в различных категориях, нажатие на элементы, просмотренные страницы и т.д. На основе профилей пользователей и каталогов продуктов система выдает рекомендации.
Вам также может понравиться:
Как повысить производительность Magento
Источник записи: https://elogic.co