아마존의 추천 엔진으로 똑똑한 휴일 쇼핑몰
크리스마스 시간에 우리 중 많은 사람들이 사랑하는 사람들에게 가장 적합한 선물을 고르려고 고심하고 있습니다. 크리스마스를위한 선물 사냥은 계획 일, 때때로 주를 요구할지도 모른다. 그것의 특정 재미 및 즐거운 부분은 그렇다하고, 크리스마스 쇼핑은 시간과 스트레스가 많은 경험이 될 수 있습니다..
다행히도 첨단 기술 시대에 쇼핑 프로세스를 훨씬 더 효율적이고 생산적으로 만들 수있는 무료 도구가 있습니다. 이 글에서는 세계에서 가장 큰 소매 업체 사이트 인 Amazon.com이 어떻게 귀하를 도와 드릴 수 있는지 보여 드리겠습니다. 최고의 선물을 찾는 너의 친구 및 가족을 위해 적당한 시간 내에 똑똑한 추천 엔진 덕분에.
개인화 된 사용자 경험
Amazon, Facebook, Youtube와 같은 세계에서 가장 성공적인 웹 사이트는 인기가 있습니다. 모든 사용자에게 맞춤 설정된 사용자 환경을 제공합니다..
개인화 된 사용자 경험은 기본적으로 회사 사용자가 사이트를 탐색하고 다른 작업을 수행하는 동안 사용자를 관찰합니다. 그 위에. 그들은 깔끔한 데이터베이스에 데이터를 수집하고 분석합니다..
프라이버시에 해롭지 않습니까? 어떤 관점에서 볼 때 그렇습니다. 이 회사는 우리의 친한 친구 또는 심지어 우리보다 더 많은 것을 알 수 있습니다. 반면에, 그들은 우리의 삶을 편하게 해주는 서비스를 제공합니다., 과 우리의 결정에 대해 더 많은 정보를 얻었습니다..
트랜잭션 관점에서 볼 때 우리는 프라이버시의 일부로 향상된 사용자 경험과 편의성을 "지불"합니다..
물론 온라인 콘텐츠 제공 업체와 당국 사이의 합법적 인 싸움은 끊임없이 계속되고 있으며, 그렇게 사랑하지 않는 EU 쿠키 법에 대해 생각해보십시오.하지만 21 세기 라이프 스타일을 즐기고 싶어하는 사람에게는 옵트 아웃이 현실적이지 않습니다. 개인화 된 권장 사항이 장면 뒤에서 작동하는 방식을 이해하는 데 유용합니다..
아마존의 권고 뒤에있는 기술
Amazon의 웹 사이트를 탐색하는 동안 우리는 다음과 같은 제목 아래에서 개인화 된 권장 사항을 찾을 수 있습니다. “당신을위한 새로운”, “킨들의 스토어에서 당신을위한 추천”, “추천 정보”, “이 품목을 구매 한 고객들이 역시 구매 한 품목”, 그리고 많은 다른 사람들.
권장 사항은 모든 단일 부품에 통합 구매 프로세스의 결제에 대한 제품 조회. 사용자 지정 권장 사항은 사이트를 사용할 때 사용자를 더 잘 알 수있는 지능형 권장 엔진을 통해 제공됩니다..
추천 시스템을 더 잘 이해하기 위해서는 다음과 같이 생각하는 것이 좋습니다. 고급 버전의 검색 엔진. Amazon에서 항목을 검색하면 결과를 반환 할뿐만 아니라 결과도 반환합니다. 우리가 필요로하는 제품에 대한 예측을 내린다., 우리에게 권고 사항을 보여줍니다..
추천 시스템은 다른 종류의 기계 학습 알고리즘을 사용하며, 큰 데이터 기술의 발전으로 상업적으로 구현 가능해졌습니다. 추천 엔진은 데이터 기반 제품, 같이 큰 데이터의 거대한 바다에서 가장 관련성이 높은 작은 데이터 세트를 찾아야합니다..
추천 시스템이 해결해야하는 계산 작업은 예측 분석 및 필터링
그들은 다음 접근법 중 하나를 사용합니다 :
(1) 협업 필터링, 사이의 유사점을 찾는 협업 데이터 구매, 평가, 좋아하는 것, upvotes, downvotes와 같은 :
- 어느 쪽의 사용자 - 사용자 행렬, 유사한 제품을 좋아하고, 구매하고, 평가 한 등의 다른 고객의 선택에 따라 권장 사항이 생성됩니다.,
- 아니면 그 제품 - 제품 매트릭스, 추천 엔진은 현재 사용자가 구입, 평가, 좋아하는, 상향 투표 한 제품에 대해 구매, 좋아하는 것, 등급 등에서 유사한 제품을 반환합니다 전에
아마존은 후자를 사용하는데, 이는 좀 더 진보 된 것입니다 (다음 섹션에서 자세히 설명합니다).
(2) 콘텐츠 기반 필터링, 설명, 저자 및 이전 사용자 환경 설정 (예 : 다른 사용자의 환경 설정과 비교되지 않음)과 같은 제품의 객관적 특성의 유사성을 기반으로 예측을 만듭니다..
(삼) 하이브리드 필터링, 협업 및 콘텐츠 기반 필터링의 조합을 사용하는.
제품 - 제품 매트릭스
협업 필터링의 전통적인 방식은 사용자 - 사용자 매트릭스를 사용하며 특정 양의 데이터보다 심각한 성능 문제가 있습니다.
선호도, 평점, 모든 사용자의 구매 및 활동중인 사용자에게 가장 가까운 사람들을 찾는다., 추천 엔진이 분석해야한다. 모든 사용자 데이터베이스에 저장하고 현재 데이터베이스와 비교.
아마존의 크기를 생각해 보면 이런 종류의 필터링이 실현 가능하지 않다는 것을 알 수 있으므로 아마존의 엔지니어는 이전 방법의 업그레이드 된 버전을 개발하고 품목 간 공동 작업 필터링.
항목 간 협업 필터링 유지 협력적인 성공 제품의 객관적인 품질 대신 벤치마킹 (위의 내용 기반 필터링 참조)이지만 사용자를 비교하지 않는 제품 매트릭스에서 쿼리를 실행합니다. 대신 제품을 비교합니다.
추천 엔진은 지금까지 구매, 평가, 위시리스트에 올려 놓기, 댓글 달기 등을 통해 구입 한 상품을 살펴본 다음 유사한 요율과 구매율을 가진 데이터베이스의 다른 항목을 찾아서 합산 한 다음 권장 사항과 가장 일치하는 항목.
보다 나은 추천을 얻는 방법
크리스마스 쇼핑으로 돌아 가면 더 나은 결과를 얻기 위해 아마존의 추천 엔진을 훈련 시키십시오.. 사랑하는 사람을 위해 무엇을 사야하는지 막연한 생각 만 갖고 있다면 브라우징하는 동안 웹 사이트에 흔적을 남기지 않고 다른 것을 할 필요가 없습니다..
이 게시물의 목적으로 나 자신에 의해 이것을 시도했다..
저의 출발점은 작은 사무용 가구를 찾고 싶었지만 정확히 무엇을 모르는 것이 었습니다. 그래서 검색 창에 관련 키워드를 입력하고 결과를 찾아보기 시작했습니다. 내가 좋아하는 항목을 위시리스트에 넣고 리뷰를 평가했습니다. “도움이되는”, 일부 사무용 가구를 내 바구니에 떨어 뜨렸다..
아마존에서 비슷한 제품을 구입 한 적이 있다면 리뷰를 쓰는 것이 매우 유용 할 것이지만 실제로 그렇게 할 수는 없습니다 (이미 구입 한 제품에 대한 리뷰 만 쓸 수 있습니다).
약 10-15 분 후, 필자는 중단하고 추천 페이지를 클릭했다. “[당신 이름] 아마존” 메뉴 점). 실험 전에는 아마이 페이지에서 책을 읽었을뿐입니다. 아마 내가 아마존에서 구입 한 책이기 때문입니다. 내 광범위한 조회 후, 책은 사라졌으며 아래에서 알 수 있듯이 멋진 사무용 가구로 대체되었습니다..
엔진 조정하기
아래 권장 사항과 같이 권장 사항 엔진을 추가로 교육 할 수 있습니다. 거기에 “추천 이유?” 링크. 내 권장 사항 중에는 사무용 가구 제품이 아니고 크리스마스에 구매하고 싶지 않은 빈 라이너 (마지막 항목)를 볼 수 있습니다..
여기 왜 있는지 보자..
링크를 클릭 한 후 아마존은 특정 사무실 컴퓨터 의자를 내 바구니에 넣었 기 때문에 추천 된 것이라고 알립니다. 글쎄, 그건 재미있는 연결이지만, 나는 아직도 그것을 필요로하지 않는다..
여기에 두 가지 옵션이 있습니다. “관심이 없다” 빈 라이너 옆의 확인란이나 “권장 사항에 사용하지 마십시오.” 사무실 의자 옆에. 나는 “관심이 없다” 확인란.
그리고이 시점에서 빈 라이너가 사라지고 다른 추천 제품으로 바뀌 었습니다. 이는 제가 완벽한 선물에 한발 더 다가 갔음을 의미합니다..
미래에 그 정확한 빈 라이너가 필요할 것입니다. 오 기다려. 나는 그 해결책을 찾았다. 아래의 “권장 사항 개선” 메뉴 점으로 표시된 항목을 편집 할 수 있습니다. “관심이 없다” 상표
내가 상상 한 선물 사냥을 발견했을 때, 나는 앞으로 내가 추천할만한 제품을 선택 해제 할 수있다..