Holiday Shopping Shop Smart met Amazon's Recommendation Engine
Met Kerstmis worstelen velen van ons met het kiezen van het meest geschikte geschenk voor onze geliefden. Het jagen op cadeaus voor kerst kan dagen van planning vereisen, soms weken. Afgezien van zijn zeker leuk en vreugdevol deel, Kerstinkopen kan een tijdrovende en stressvolle ervaring zijn.
Gelukkig zijn er in het tijdperk van geavanceerde technologie vrij beschikbare tools die het winkelen veel efficiënter en productiever kunnen maken. In dit bericht laat ik je zien hoe een van 's werelds grootste winkelsite, Amazon.com je kan helpen de beste geschenken vinden voor je vrienden en familie binnen een redelijke termijn met de hulp van zijn slimme aanbevelingsmotor.
Gepersonaliseerde gebruikerservaring
'S Werelds meest succesvolle websites zoals Amazon, Facebook en YouTube zijn zo populair omdat ze bieden een gepersonaliseerde gebruikerservaring voor iedereen.
Het personaliseren van gebruikerservaring betekent in feite bedrijven hun gebruikers observeren terwijl zij door hun site navigeren en verschillende acties uitvoeren ben ermee bezig. Ze verzamelen de gegevens in overzichtelijke databases en analyseren deze.
Is dat niet schadelijk voor de privacy? Vanuit een bepaald gezichtspunt, ja dat is het; deze bedrijven weten misschien meer over ons dan onze beste vrienden of zelfs onszelf. Anderzijds, ze bieden ons een dienst die ons leven gemakkelijker kan maken, en onze beslissingen beter geïnformeerd.
Als we het vanuit een transactioneel oogpunt bekijken, "betalen" we voor een verbeterde gebruikerservaring en comfort, met een deel van onze privacy.
Natuurlijk zijn juridische gevechten tussen aanbieders van online content en autoriteiten constant, denk maar aan de niet zo geliefde EU-cookiewetgeving, maar omdat opt-out steeds minder een realistische optie is voor iemand die van een 21e-eeuwse levensstijl wil genieten, kan het handig om te begrijpen hoe gepersonaliseerde aanbevelingen achter de schermen werken.
De technologie achter Amazon's aanbevelingen
Tijdens het navigeren op de website van Amazon kunnen we gepersonaliseerde aanbevelingen overal vinden onder rubrieken zoals “Nieuw voor jou”, “Aanbevelingen voor jou in de Kindle Store”, “Aanbevolen aanbevelingen”, “klanten die dit artikel kochten, kochten ook”, en vele anderen.
Aanbevelingen zijn geweest geïntegreerd in elk onderdeel van het inkoopproces van de product opzoeken naar de kassa. Aangepaste aanbevelingen worden mogelijk gemaakt door een intelligente aanbevelingsengine die gebruikers steeds beter leert kennen terwijl ze de site gebruiken.
Om aanbevelingssystemen beter te begrijpen, is het een goed idee om daarover na te denken geavanceerde versies van zoekmachines. Wanneer we een item op Amazon opzoeken, retourneren we niet alleen de resultaten, maar ook maakt voorspellingen over de producten die we mogelijk nodig hebben, en toont zijn aanbevelingen voor ons.
Recommender-systemen gebruiken verschillende soorten algoritmes voor het leren van machines en ze zijn commercieel uitvoerbaar geworden met de evolutie van big data-technologie. Aanbevelingsmotoren zijn data-gestuurde producten, zoals ze moeten de meest relevante kleine dataset vinden in de enorme oceaan van big data.
De berekeningstaak die aanbevelingssystemen moeten oplossen, is de combinatie van voorspellende analyse en filtering
Ze gebruiken een van de volgende benaderingen:
(1) Collaborative Filtering, die zoekt naar overeenkomsten tussen gezamenlijke gegevens zoals aankopen, beoordelingen, likes, upvotes, downvotes in:
- ofwel de gebruikersmatrix, waar aanbevelingen worden gegenereerd op basis van de keuzes van andere klanten die soortgelijke producten leuk vonden, hebben gekocht, beoordeeld, enzovoort,
- of de product-product matrix, waar de aanbevelingsengine producten retourneert die vergelijkbaar zijn in aankopen, vind-ik-leuks, beoordelingen, enz. voor de producten die de huidige gebruiker heeft gekocht, beoordeeld, leuk gevonden, up-reviewed voor
Amazon gebruikt het laatste, omdat het geavanceerder is (zie in detail in het volgende gedeelte).
(2) Op inhoud gebaseerd filteren, die voorspellingen doet op basis van de gelijkenissen van objectieve kenmerken van producten zoals specificaties, beschrijvingen, auteurs en ook op de eerdere voorkeuren van de gebruiker (die hier niet worden vergeleken met de voorkeuren van andere gebruikers).
(3) Hybride filtering, die een soort combinatie van collaboratief en op inhoud gebaseerd filteren gebruikt.
De productproductmatrix
De traditionele manier van collaboratief filteren maakt gebruik van de user-user-matrix, en boven een bepaalde hoeveelheid gegevens heeft het serieuze prestatieproblemen.
Om overeen te komen met de voorkeuren, beoordelingen, aankopen van alle gebruikers, en vind diegenen die het dichtst bij de actieve gebruiker staan, de aanbevelingsmotor moet analyseren elke gebruiker in de database en vergelijk ze met de huidige database.
Als we nadenken over de grootte van Amazon, is het duidelijk dat dit soort filteren niet haalbaar is voor hen, dus ontwikkelden de technici van Amazon een geüpgradede versie van de vorige methode en noemden deze item-to-item collaboratieve filtering.
Gezamenlijke filtering van item-naar-item houdt bij gezamenlijk succes als de benchmark in plaats van de objectieve eigenschappen van een product (zie filteren op basis van inhoud hierboven), maar voert de query's in de productproductmatrix uit, wat betekent dat gebruikers niet worden vergeleken, maar vergelijkt producten.
De aanbevelingsengine kijkt naar de producten die we hebben gekocht, beoordeeld, op onze verlanglijstje geplaatst, becommentarieerd, enzovoort. Tot dusver kijkt dan andere items in de database op die vergelijkbare tarieven en aankopen hebben, verzamelt ze en geeft vervolgens de beste overeenkomsten als aanbevelingen.
Hoe u betere aanbevelingen kunt krijgen
Terug naar kerstshoppen, het is mogelijk om train Amazon's aanbevelingsmotor om betere resultaten te krijgen. Als u slechts een vaag idee hebt van wat u voor een geliefde kunt kopen, hoeft u tijdens het browsen niets anders te doen dan sporen achter te laten op de website.
In het belang van dit bericht heb ik dit zelf uitgeprobeerd.
Mijn uitgangspunt was dat ik wat kleiner kantoormeubilair wilde vinden, maar niet precies wist wat. Dus ik voerde een aantal verwante sleutelwoorden in de zoekbalk in en begon de resultaten te doorbladeren. Ik heb de items die ik leuk vond in mijn verlanglijstje geplaatst, beoordeelde een aantal recensies als “Nuttig”, heb wat kantoormeubilair in mijn mand laten vallen.
Als ik ooit een vergelijkbaar item op Amazon heb gekocht, zou het best handig zijn geweest om er een recensie over te schrijven, maar eigenlijk kon ik dat niet doen (je kunt alleen beoordelingen schrijven over producten die je al hebt gekocht).
Na ongeveer 10-15 minuten stopte ik en klikte ik op mijn Aanbevelingspagina's (die te vinden zijn onder de “[Your Name] 's Amazon” menupunt). Vóór het experiment had ik alleen boeken op deze pagina, want dat is wat ik meestal op Amazon koop. Na mijn uitgebreide opzoekingen zijn de boeken verdwenen en zijn ze vervangen door coole kantoormeubelen, zoals je hieronder kunt zien.
De motor afstellen
Het is mogelijk om de aanbevelingsmotor verder te trainen, zoals hieronder elke aanbeveling er is een “Waarom aanbevolen?” link. Onder mijn aanbevelingen zie je een vuilnisemmer (laatste item), die geen kantoormeubilairproduct is en een die ik niet wil kopen voor Kerstmis.
Dus laten we zien waarom het hier is.
Nadat Amazon op de link heeft geklikt, wordt me verteld dat dit is aanbevolen omdat ik een bepaalde kantoorcomputerstoel in mijn mand heb gezet. Wel, dat is een interessante connectie, maar ik heb het nog steeds niet nodig.
Ik heb hier twee opties, ik kan de. Aanvinken “Niet geïnteresseerd” selectievakje naast de vuilniszak, of de “Niet gebruiken voor aanbevelingen” naast de bureaustoel. Ik tik op de “Niet geïnteresseerd” checkbox.
En op dit punt is de vuilniszak verdwenen, vervangen door een ander aanbevolen product, wat betekent dat ik een stap dichter bij het perfecte geschenk ben.
Jammer als ik in de toekomst die exacte vuilniszak ooit nog nodig zal hebben. Oh wacht. Daar heb ik de oplossing voor gevonden. Onder de “Verbeter uw aanbevelingen” menupunt, kan ik de items bewerken die ik heb gemarkeerd met de “Niet geïnteresseerd” label
Wanneer ik mijn ingebeelde geschenkjacht heb gevonden, kan ik eenvoudig de producten uitschakelen die ik misschien wil zien in mijn aanbevelingen in de toekomst.