Video: İŞLETME BİLGİ SİSTEMLERİ - Ünite 4 Konu Anlatımı 1 2024
Tahmin edici analiz kullanımı için Amazon'un tavsiye sistemlerinden biri öğeye dayalı ortak filtreleme - bir kullanıcı web sitesinde tek bir öğeyi görüntülediğinde, şirket veritabanından büyük miktarda ürün envanteri çıkarılır. Bir öğe oluşturmadığınız halde, ilk öğe görünümünüzde öneriler gösteriyorsa, öğeye dayalı bir ortak çalışma filtreleme sistemine (veya çoğunlukla içerik tabanlı bir sisteme) baktığınızı biliyorsunuzdur.
Sanki büyü gibi görünüyor, ama öyle değil. Profiliniz henüz oluşturulmamış olmasına rağmen (oturum açmadıysanız veya o sitede daha önce bir tarayıcı geçmişiniz yoksa) sistem tahmin gerektiren şeyleri alır: Tavsiyeyi öğesine dayandırır ve diğer müşterilerin o öğeyi satın aldıktan sonra (veya daha önce) izledikleri veya satın aldıklarını belirtir. Böylece bazı ekran mesajını
-
Yakın geçmişinizden ürünlerini de alan müşterilerimiz …
-
Bu öğeyi görüntüledikten sonra başka hangi öğe satın alıyor?
-
Özünde, öneri, kullanıcı topluluğunun eylemlerine dayanarak, o anda görüntülenen öğenin diğer öğelere ne kadar benzediğine dayanır.
Aşağıda müşterilerin örnek bir matrisi ve satın aldıkları ürünler gösterilmektedir. Bu, öğeye dayalı ortak filtrelemeye örnek olarak kullanılacaktır.
| Öğe 1 | Öğe 2 | Öğe 3 | Öğe 4 | Öğe 5 | Öğe 6 | A |
|---|---|---|---|---|---|---|
| X X " | X | B | X | |||
| X | C | X | ||||
| X | D | X | ||||
| X | X | E | X | |||
| X | F | X | ||||
| X | X | X | G | X | ||
| X | , H | X > Ben | ||||
| X |
|
|||||
| Şimdi, kosinüs benzerlik formülünü kullanarak hesaplanan madde benzerliğine bakalım. | kosinüs benzerliği |
| 0 | 0 | 0 | Öğe 5 | 0. 26 | 0. 29 | |
| 0. 52 | 0. 82 | 0 | Öğe 4 | 0. 32 | 0. 35 | |
| 0. 32 | 0. 82 | 0 | Öğe 3 | 0. 40 | 0. 45 | |
| 0. 32 | 0. 52 | 0 | Öğe 2 | 0. 67 | 0. 45 | |
| 0. 35 | 0. 29 | 0 | Öğe 1 | 0. 67 | 0. 40 | |
| 0. 32 | 0. 26 | 0 | Öğe 1 | Öğe 2 | Öğe 3 | |
| Öğe 4 | Öğe 5 | Öğe 6 | Sistem, belirli benzerlik değerine sahip veya en üstteki | n | öğeleri önerebilir.Bu senaryoda, 0'dan büyük veya 0'a eşit herhangi bir değerin benzer olduğunu söyleyebilirsiniz. sistem bu öğeleri önerecektir. |
Örneğin, madde 1 ile madde 2 arasındaki benzerlik 0'dır. 67. Madde 2 ile madde 1 arasındaki benzerlik aynıdır. Bu nedenle, sol alt köşeden sağ üst köşeye diyagonal boyunca bir ayna görüntüdür. Ayrıca, 0'ın bir değeri olduğu için 6. maddenin başka herhangi bir maddenin benzemediğini görebilirsiniz. Maddi temelli öneri sisteminin bu uygulanışı, nasıl çalıştığını göstermek için basitleştirilmiştir. Kolaylık sağlamak için, öğenin benzerliğini belirlemek için yalnızca bir ölçüt kullanın: kullanıcı öğeyi satın alıp almadı. ile daha karmaşık sistemler daha ayrıntılı bir şekilde ortaya çıkabilir Kullanıcıların kendi beğenilerini oluşturan profillerini kullanma
Bir kullanıcının ne kadar çok sevdiğini (veya yüksek oranları) faktoring Etme
Kullanıcının kaç öğe satın aldığını tartma potansiyel önerilen öğelere benzer
-
Bir kullanıcının bir öğeyi beğenip beğenmediğini varsaymak, kullanıcının satın alma işlemini basitçe yapmış olmasına bakılmaksızın, satın alınmadığı halde varsayım yapmak.
-
Yapabileceğiniz iki yaygın yol:
-
Çevrimdışı olarak bir e-posta pazarlama kampanyası aracılığıyla veya kullanıcı oturum açmışken kullanıcı web sitesinde bulunuyorsa kullanın.
-
Sistem pazarlama reklamları gönderebilir veya web sitesinde şu önerilerde bulunabilir:
Öğe 3 Müşteri B'ye
-
Müşteri B, Öğe 1 ve 2'yi satın aldı ve her iki madde de Madde 3'e benzer olduğu için önerildi.
Öğe 4, sonra Öğe 2, Müşteri C
-
için Önerildi. Müşteri C, Öğe 3 ve 5'i satın aldığı için önerildi. Madde 5, Madde 4'e benzer (benzerlik değeri: 0. 82). Öğe 2, Öğe 3'e benzer (benzerlik değeri: 0.45).
Müşteri D
-
Müşteri D, Madde 3, Madde 4 ve Madde 5'i satın aldığı için önerildi. Madde 3, Madde 2'ye benzer.
Madde 1 - Müşteri E
-
Müşteri E, Madde 2'yi satın aldığı için önerildi ve 3, her ikisi de Madde 1'e benzer.
Madde 3 Müşteri F
-
Müşteri F, Madde 1, 2, 4 ve 5'i satın aldığı için önerildi. Madde 1, 2 ve 5, Madde 3'e benzer.
Müşteri G
-
Müşteri G, Madde 1 ve 3'ü satın aldığı için önerildi. Her ikisi de Madde 2'ye benzer.
Öğe 2, sonra Öğe 3, Müşteri H
-
için Önerilen Müşteri H Satın alınan Madde 1. Öğe 1, Madde 2 ve 3'e benzer.
Müşteri A için belirlenemeyen madde
-
İdeal olarak, çok daha fazla madde ve kullanıcıya sahip olmanız gerekir. Ve bir müşterinin satın aldığı, henüz satın almadığı diğer öğelere benzer bazı öğeler olmalıdır.
Belirsiz madde Müşteri I
-
Bu durumda, veriler bir önerinin temelini oluşturacak kadar yetersizdir. Bu, soğuk marş probleminin bir örneğidir.
Kullanıcı oturum açmadığında bir sayfa görüntüleme üzerinden çevrimiçi.
-
-
