Магазин для шоппинга Smart с рекомендацией Amazon

На Рождество многие из нас пытаются выбрать наиболее подходящий подарок для наших близких. Охота за подарками на Рождество может потребовать дней планирования, а иногда и недель. Помимо его определенной веселой и радостной части, Рождественские покупки могут быть трудоемким и напряженным опытом.

К счастью, в век передовых технологий, есть свободно доступные инструменты, которые могут сделать процесс покупки намного более эффективным и продуктивным. В этом посте я покажу вам, как один из крупнейших в мире интернет-магазинов Amazon.com может помочь вам найти лучшие подарки для ваших друзей и семьи в разумные сроки с помощью умного механизма рекомендаций.

Персонализированный пользовательский опыт

Самые популярные в мире сайты, такие как Amazon, Facebook и Youtube, пользуются такой популярностью, потому что они предлагают персонализированный пользовательский опыт для всех.

Персонализация пользовательского опыта в основном означает, что компании наблюдать за их пользователями, пока они перемещаются по сайту и выполнять различные действия в теме. Они собирают данные в аккуратные базы данных и анализируют их.

Разве это не вредно для конфиденциальности? С определенной точки зрения, да, это так; эти компании могут знать о нас больше, чем наши самые близкие друзья или даже мы сами. С другой стороны, они предлагают нам услугу, которая может сделать нашу жизнь проще, а также наши решения лучше информированы.

Если мы посмотрим на это с точки зрения транзакций, мы «заплатим» за улучшенный пользовательский опыт и комфорт с частью нашей конфиденциальности.

Конечно, юридические баталии между провайдерами онлайн-контента и властями постоянны, просто подумайте о не очень любимом законе ЕС о файлах cookie, но поскольку отказ от все менее и менее реалистичного варианта для того, кто хочет наслаждаться стилем жизни 21-го века, может быть полезно понять, как персонализированные рекомендации работают за кулисами.

Технология, стоящая за рекомендациями Amazon

При навигации по сайту Amazon, мы можем найти персональные рекомендации везде под заголовками, как “Новое для тебя”, “Рекомендации для вас в магазине Kindle”, “Рекомендуемые рекомендации”, “Покупатели, которые купили этот товар, также приобрели”, и много других.

Рекомендации были интегрированы в каждую деталь процесса покупки из поиск товара до оформления заказа. Индивидуальные рекомендации основаны на интеллектуальном механизме рекомендаций, который лучше и лучше узнает пользователей по мере использования сайта..

Чтобы лучше понять системы рекомендаций, полезно подумать о них как о продвинутые версии поисковых систем. Когда мы ищем элемент на Amazon, он не только возвращает результаты, но и делает прогнозы о продуктах, которые могут нам понадобиться, и показывает свои рекомендации для нас.

Рекомендательные системы используют различные виды алгоритмов машинного обучения, и они стали коммерчески реализуемыми с развитием технологии больших данных. Рекомендации двигателей управляемые данными продукты, как им нужно найти самый релевантный маленький набор данных в огромном океане больших данных.

Вычислительная задача, которую должны решить системы рекомендаций, представляет собой комбинацию прогнозный анализ и фильтрация

Они используют один из следующих подходов:

(1) Совместная фильтрация, который ищет сходства между совместные данные такие как покупки, рейтинги, лайки, отзывы, отзывы в:

• либо матрица пользователь-пользователь, где рекомендации генерируются на основе выбора других клиентов, которым понравились, приобрели, оценили и т. д. аналогичные продукты,
• или продукт-матрица продукта, где механизм рекомендаций возвращает товары, которые похожи в покупках, лайках, рейтингах и т. д. на товары, которые текущий пользователь купил, оценил, понравился, проголосовал до

Amazon использует последнее, так как оно более продвинутое (подробнее см. В следующем разделе).

(2) Контент-фильтрация, это делает прогнозы на основе сходства объективных характеристик продуктов, таких как специфика, описания, авторы, а также предыдущих предпочтений пользователя (которые здесь не сравниваются с предпочтениями других пользователей).

(3) Гибридная фильтрация, который использует некоторую комбинацию совместной и контентной фильтрации.

Матрица Продукт-Продукт

Традиционный способ совместной фильтрации использует матрицу пользователь-пользователь, и при превышении определенного объема данных возникают серьезные проблемы с производительностью..

Соответствовать предпочтениям, рейтингам, покупкам всех пользователей и найти тех, кто ближе всего к активному пользователю, механизм рекомендаций должен анализировать каждый пользователь в базе данных и сопоставить их с текущим.

Если мы подумаем о размере Amazon, то ясно, что такой вид фильтрации для них невозможен, поэтому инженеры Amazon разработали обновленную версию предыдущего метода и назвали его совместная фильтрация от элемента к элементу.

Сохраняется совместная фильтрация от элемента к элементу совместный успех в качестве эталона вместо объективных качеств продукта (см. контентную фильтрацию выше), но выполняет запросы в матрице продукт-продукт, что означает, что он не сравнивает пользователей, а сравнивает продукты.

Механизм рекомендаций просматривает продукты, которые мы приобрели, оценили, добавили в наш список пожеланий, прокомментировали и т. Д., Затем ищет другие элементы в базе данных, которые имеют аналогичные цены и покупки, агрегирует их, затем возвращает лучшие матчи в качестве рекомендаций.

Как получить лучшие рекомендации

Вернуться к рождественским покупкам, можно обучить движок рекомендаций Amazon, чтобы получить лучшие результаты. Если у вас есть только смутное представление о том, что купить для любимого человека, вам не нужно ничего делать, кроме как оставлять следы на веб-сайте во время просмотра.

Ради этого поста я попробовал это сам.

Моей отправной точкой было то, что я хотел найти небольшую офисную мебель, но не знал, что именно. Поэтому я ввел несколько связанных ключевых слов в строку поиска и начал просматривать результаты. Я поместил понравившиеся предметы в свой список желаний, оценил некоторые отзывы как “полезный”, уронил офисную мебель в мою корзину.

Если бы я когда-либо покупал аналогичный товар на Amazon, было бы весьма полезно написать отзыв о нем, но на самом деле я не смог бы этого сделать (вы можете писать отзывы только о продуктах, которые вы уже купили).

Примерно через 10-15 минут я остановился и нажал на мои страницы с рекомендациями (которые можно найти под “Амазонка [Ваше имя]” пункт меню). До эксперимента у меня были только книги на этой странице, так как это то, что я обычно покупаю на Amazon. После моего обширного поиска книги исчезли и были заменены прохладной офисной мебелью, как вы можете видеть ниже.

Тонкая настройка двигателя

Можно дополнительно обучить механизм рекомендаций, как показано ниже каждой рекомендации. есть “Почему рекомендуется?” ссылка на сайт. Среди моих рекомендаций вы можете видеть вкладыш для мусора (последний элемент), который не является продуктом офисной мебели и который я не хочу покупать на Рождество.

Итак, давайте посмотрим, почему это здесь.

После нажатия на ссылку Amazon сообщает мне, что это было рекомендовано, потому что я положил стул с офисным компьютером в свою корзину. Ну, это интересная связь, но она мне все еще не нужна.

У меня есть два варианта здесь, я могу либо поставить галочку “Не интересно” флажок рядом с вкладышем или “Не используйте для рекомендаций” рядом с офисным креслом. Я отмечаю “Не интересно” флажок.

И в этот момент вкладыш мусорного ведра исчез, замененный другим рекомендуемым продуктом, что означает, что я на шаг ближе к идеальному подарку.

Очень жаль, если мне когда-нибудь понадобится именно этот лайнер для мусора в будущем. Ой, подожди. Я нашел решение для этого. Под “Улучшите ваши рекомендации” пункт меню, я могу редактировать элементы, которые я пометил “Не интересно” этикетка

Когда я нахожу свою предполагаемую охоту за подарками, я могу просто снять продукты, которые я хочу видеть среди своих рекомендаций в будущем.