MÉLY AJÁNLÓRENDSZEREK 1. RÉSZ

MÉLY AJÁNLÓRENDSZEREK 1. RÉSZ

Az ajánlórendszerek kényelmet és gyorsaságot kínálnak, mellyel több eladást generálnak a felhasználójuk számára. Egy ajánló rendszer feladata az egyéni igényeknek legmegfelelőbb termék ajánlása. Gyakorlatilag azt a feladatot látja el, mint egy hús-vér eladó, amikor személyes beszélgetést folytat a vásárlóval, hogy felmérje annak igényeit és megismerje a vásárló személyét, majd ez alapján javaslatot tesz kínálatából számára. Bejegyzésünkben a mesterséges intelligencia által támogatott ajánlórendszerekről lesz szó.

Minden kereskedő legfőbb célja a vásárlások generálása, ezért ezen szoftverek hatékonyságának növelése évről évre kihívást jelentő feladat. A technológia számos területén látott folyamat, miszerint a mesterséges intelligencia képes az agyi folyamatokat segíteni, optimalizálni, az ajánlórendszerekre is nagy benyomást gyakorolt. A hagyományos rendszerek korlátozott bementi paraméterrel működtek, így hatékony ajánlást csak nagyon speciális környezetben voltak képesek tenni. Ezzel szemben a legkorszerűbb ajánló szoftverek folyamatosan figyelnek a nap 24 órájában, és minden olyan adatot figyelembe vesznek, melyet a felhasználók a digitális lábnyomukkal hagynak. A látszólag nem releváns adatok figyelembevételének eredménye újfajta felhasználói élményt nyújt. Olyan ajánlásokat eredményez, amire a használó maga sem gondolt még, mert nem volt rá ideje energiája és kapacitása, hogy átvizsgálja minden egyes apró paramétert, tulajdonságot, jellemzőt. Amúgy is unalmas, monoton és lélekölő lenne felmérni és átbogarászni a végtelen választékot. Jobb, ha olyan végzi a lélekölő feladatot, aminek nincs lelke.

Fontos tisztába lenni azzal a ténnyel, hogy ezen szoftverek teljesítménye évente emelkedik, így egy 2012-ben megalkotott state-of-the-art rendszer és egy 2017-ben megalkotott state-of-the-art rendszer között teljesítményben ~20% különbség van, nem beszélve a merőben más ajánlási megközelítésekről és a felhasználói élményről, minőségről.

A következőkben az ajánlórendszerek elvi csoportosításáról, illetve röviden a működésük hátteréről lesz röviden szó, amely a következő ábrán is látható.

TARTALOM ALAPÚ AJÁNLÓRENDSZEREK

A tartalom alapú ajánlás az adott termék/szolgáltatás leírásából kinyerhető információk (kulcsszavak), illetve az adott felhasználó értékelései alapján képzi ajánlásait. Ha például tudjuk, hogy három olyan filmet is kedvelek, amely akciófilm, és Jason Statham szerepel benne, akkor valószínűleg a Szállító filmeket is kedvelni fogom.

Pro:

  • Az első felhasználókat is könnyedén kezeli;

Kontra:

  • Hajlamos a túlspecializálása, ezzel szűkíti a felhasználhatóságot;
  • Tapasztalatok szerint kevésbé pontos, mint a kollaboratív szűrőn alapuló megoldások; 

KOLLABORATÍV SZŰRÉS ALAPÚ AJÁNLÓRENDSZEREK

Ezen rendszerek nem veszik figyelembe a termékek leírását, tulajdonságait, kizárólag a felhasználók által végzett interakciókat. E rendszer működése az ízlések hasonlóságán és a termékek állandóságán alapul. Vegyünk 3 barátot, legyen a nevük A, B, C. Azonos városban laknak, így azonos videótékába járnak, ami azt jelenti, hogy korlátozott mennyiségű film közül választhatnak. Feltételezve, hogy ez egy nagyon kis kölcsönző, a következő értékeléseket tették:

A B C
Elemi ösztön 5 ? 5
Kör ? 4 1
Reszkessetek betörők 2 1 ?
Shrek 4 1 4

Használó alapú kollaboráció: Az emberek ízléseit hasonlítja össze, így hasonló embereket határoz meg a termékekkel való interakció alapján. A táblázatnál maradva, az oszlopok között keresi a hasonlóságot (felhasználói ízlések), és a hiányzó mezőkre a hasonló oszlopokban található étékelések alapján következtet.Függetlenül attól, hogy bármit is tudnánk a címén kívül a filmről, megállapíthatjuk, hogy „A” és „C” ízlése hasonló, mivel a mindkettőjük által látott filmekre tett értékelésük nagyon hasonló. Ebből következtethetünk, hogy a Kört „A” nem fogja szeretni, mivel a hozzá hasonló „C” sem szerette, és így tovább (használó alapú kollaboráció).

Elem alapú kollaboráció: A felhasználók által végzett interakciók alapján hasonló termékeket határoz meg, melyet a termékek meta információi alapján képes megtenni, feltételezve az ízlések hasonlóságát. A táblázatnál maradva a sorok között keresi a hasonlóságot (termékek), és az alapján értékeli a terméket, hogy a hasonló termékeket hogyan értékelte a felhasználó.

Pro:

  • Nem szükséges tartalmi leírás;

Kontra:

  • Hidegindítás problémája, első ajánlások pontatlanok;
  • Egyedi ízléssel nehezen boldogul;

 

Biztosak vagyunk abban, hogy az Ön vállalkozásában is vannak mesterséges intelligenciával automatizálható munkafolyamatok: amennyiben szeretné élvezni a mesterséges intelligencia használatával járó előnyöket, úgy jelentkezzen ingyenes, személyes konzultációnkra elérhetőségeink valamelyikén.

Close Menu