Почетна » Интернет » Одмор Схоппинг Схоппинг Смарт са Амазон'с Препорука мотора

    Одмор Схоппинг Схоппинг Смарт са Амазон'с Препорука мотора

    За Божић многи од нас се боре са одабиром најприкладнијег поклона за наше вољене. Лов на поклон за Божић може захтијевати дане планирања, понекад и тједана. Осим своје забавне и веселе партије, Божићна куповина може бити дуготрајно и стресно искуство.

    Срећом у доба напредне технологије, постоје слободно доступни алати који могу учинити процес куповине ефикаснијим и продуктивнијим. У овом посту ћу вам показати како вам једна од највећих светских малопродајних сајтова, Амазон.цом може помоћи проналажење најбољих поклона за ваше пријатеље и породицу разумном року уз помоћ свог паметног мотора.

    Персонализовано корисничко искуство

    Најуспешнији светски сајтови као што су Амазон, Фацебоок и Иоутубе су толико популарни јер они нуде персонализовано корисничко искуство свима.

    Персонализовање корисничког искуства у основи значи да компаније посматрајте своје кориснике док се крећу кроз њихову локацију и обављају различите радње бацам се на посао. Они прикупљају податке у чисте базе података и анализирају их.

    Није ли то штетно за приватност? Са одређене тачке гледишта, да, јесте; ове компаније можда знају више о нама него о нашим најближим пријатељима или чак о нама самима. С друге стране, нуде нам услугу која може олакшати наш живот, и наше одлуке боље информисане.

    Ако га посматрамо са трансакцијске тачке гледишта, ми "плаћамо" за побољшано корисничко искуство и удобност, са делом наше приватности..

    Наравно, правне борбе између провајдера онлине садржаја и ауторитета су константне, само размислите о закону о колачићима у ЕУ који није толико вољен, али како је искључивање све мање и мање реална опција за некога ко жели да ужива у начину живота 21. века, може бити Корисно је разумети како персонализоване препоруке раде иза сцене.

    Технологија иза Амазонових препорука

    Док се крећете кроз Амазонову веб локацију, можемо пронаћи персонализоване препоруке свуда под насловима као што су “Нев Фор Иоу”, “Препоруке за вас у Киндле Сторе”, “Феатуред Рецоммендатионс”, “Муштерије Које Су Купиле Ово Су Такође Купиле”, и многи други.

    Препоруке су биле интегрисан у сваки део процеса набавке из преглед производа на благајни. Прилагођене препоруке покреће интелигентни механизам за препоруке који боље упознаје кориснике и боље их употребљава.

    Да би боље разумели систем препорука, добро је размислити о њима напредне верзије претраживача. Када тражимо ставку на Амазону, она не само да враћа резултате, већ и даје предвиђања о производима које нам могу требати, и показује нам препоруке.

    Системи препоручивача користе различите врсте алгоритама машинског учења и постали су комерцијално применљиви са еволуцијом технологије великих података. Мотори за препоруке су производе базиране на подацима, као они морају пронаћи најрелевантнији мали скуп података у великом океану великих података.

    Рачунарски задатак који систем за препоруку треба ријешити је комбинација предиктивна анализа и филтрирање

    Они користе један од следећих приступа:

    (1) Цоллаборативе Филтеринг, који тражи сличности између колаборативни подаци као што су куповине, оцењивања, воли, упвотес, довнвотес у:

    • или тхе усер-усер матрик, где се препоруке генеришу на основу избора других клијената који воле, купују, оцењују итд. сличне производе,
    • или матрица производа-производа, где мотор за препоруке враћа производе који су слични у куповини, лајку, оцени, итд. на производе које је тренутни корисник купио, оценио, волио, потврдио пре него што

    Амазон користи ово последње, јер је напреднији (детаљније у следећем одељку).

    (2) Филтрирање засновано на садржају, то чини предвиђања заснована на сличностима објективних карактеристика производа као што су специфичности, описи, аутори, као и на претходне преференције корисника (да се овде не упоређују са преференцијама других корисника).

    (3) Хибридно филтрирање, који користи неку врсту комбинације колаборативног и садржајног филтрирања.

    Матрица производа-производа

    Традиционални начин колаборативног филтрирања користи матрицу корисничког корисника, а изнад одређене количине података има озбиљне проблеме у перформансама.

    Да би одговарали преференцама, оцени, куповини свих корисника и пронађите оне који су најближи активном кориснику, мотор за препоруке мора анализирати сваког корисника у базу података и ускладити их са тренутном.

    Ако размишљамо о величини Амазона, јасно је да за њих ова врста филтрирања није изводљива, тако да су Амазонови инжењери развили надограђену верзију претходног метода и назвали га колаборативно филтрирање од ставке до ставке.

    Одржава се скупна филтрирање ставки према ставкама колаборативни успјех као мјерило умјесто објективних квалитета производа (види филтрирање на темељу садржаја горе), али покреће упите у матрици производа-производа, што значи да не успоређује кориснике, умјесто тога успоређује производе.

    Механизам за препоруке разматра производе које смо до сада купили, оценили, ставили на листу жеља, коментарисали, итд., А затим претражују друге ставке у бази података које имају сличне стопе и купују, агрегирају их, а затим враћају најбоље резултате као препоруке.

    Како добити боље препоруке

    Назад на божићну куповину, могуће је тренирајте Амазонове препоруке за боље резултате. Ако имате само нејасну идеју о томе шта да купите за вољену особу, не морате да радите ништа друго осим да оставите трагове на веб-локацији док претражујете.

    Због овог поста сам ово сам испробао.

    Моја полазна тачка је била да желим да пронађем мањи канцеларијски намештај, али нисам тачно знао шта. Зато сам унела неке кључне речи у траку за претрагу и почела да претражујем резултате. Ставио сам ставке које сам волио у своју листу жеља, оцењивао сам неке критике као “Користан”, спустио сам канцеларијски намештај у моју корпу.

    Ако сам икада купио сличну ставку на Амазону, било би врло корисно написати рецензију о њој, али заправо то не бих могао направити (можете само написати рецензије о производима које сте већ купили)..

    Након око 10-15 минута зауставио сам се и кликнуо на моје странице са препорукама (које се могу наћи под “[Иоур Наме] 'с Амазон” менија). Пре експеримента сам имао само књиге на овој страници, јер то обично купујем на Амазону. Након мог опсежног прегледа, књиге су нестале и замијењене су уредним уредским намјештајем, као што можете видјети у наставку.

    Твеакинг Тхе Енгине

    Могуће је додатно обучити мотор за препоруке, као испод сваке препоруке постоји “Зашто препоручити?” линк. Међу мојим препорукама можете погледати кош за смеће (последњи предмет), који није производ канцеларијског намештаја и не желим да купим за Божић.

    Да видимо зашто је овде.

    Након што сам кликнуо на линк, Амазон ме обавјештава да је препоручено јер сам у своју кошару ставио одређену столицу за уредски рачунар. Па, то је занимљива веза, али ми још увијек није потребна.

    Овде имам две опције, могу да означим “Незаинтересован” поље за потврду поред линијског контејнера, или “Не користите за препоруке” поред канцеларијске столице. Означавам “Незаинтересован” поље за потврду.

    И у овом тренутку ладица за смеће је нестала, замењена другим препорученим производом, што значи да сам један корак ближе савршеном поклону.

    Штета што ћу икада у будућности имати потребу за таквим лајн линијама. Чек. Нашао сам решење за то. Под “Побољшајте своје препоруке” ставке менија, могу да уређујем ставке које сам означио са “Незаинтересован” етикета

    Када пронађем замишљени лов на поклоне, могу једноставно да одзначим производе које ћу можда пожелети да видим међу својим препорукама у будућности.