Básico de filtros colaborativos baseados no usuário na análise preditiva - dummies

Com uma abordagem baseada em usuário para filtragem colaborativa em análise preditiva, o sistema pode calcular a semelhança entre pares de usuários usando a fórmula de similaridade de coseno, uma técnica muito parecida com a abordagem baseada em item. Normalmente, esses cálculos demoram mais tempo e podem precisar ser computados com mais freqüência do que os usados ​​na abordagem baseada em itens. Isso é porque

• Você teria muito mais usuários do que itens (idealmente, de qualquer maneira).

• Você esperaria que os itens mudassem com menos freqüência do que os usuários.

• Com mais usuários e menos alterações nos itens oferecidos, você pode usar muitos outros atributos do que apenas comprar histórico ao calcular a similaridade do usuário.

Um sistema baseado em usuários também pode usar algoritmos de aprendizagem em máquina para agrupar todos os usuários que mostraram que eles têm os mesmos gostos. O sistema constrói bairros de usuários que possuem perfis semelhantes, padrões de compra ou padrões de classificação. Se uma pessoa em um bairro compra e gosta de um item, o sistema de recomendação pode recomendar esse item a todos os outros no bairro.

Tal como acontece com a filtragem colaborativa baseada em itens, a abordagem baseada no usuário requer dados suficientes para que cada usuário seja efetivo. Antes que o sistema possa fazer recomendações, ele deve criar um perfil de usuário - por isso também requer que o usuário crie uma conta e seja logado (ou armazene informações da sessão no navegador através de cookies) enquanto visualiza um site.

Inicialmente, o sistema pode solicitar ao usuário explicitamente criar um perfil, aprimorar o perfil fazendo perguntas e, em seguida, otimize suas sugestões após o acumulado dos dados de compra do usuário.

Netflix é um exemplo de construção rápida de um perfil para cada cliente. Aqui está o procedimento geral:

1. A Netflix convida seus clientes a configurar filas dos filmes que gostariam de assistir.

2. Os filmes escolhidos são analisados ​​para conhecer os gostos do cliente nos filmes.

3. O modelo preditivo recomenda mais filmes para o cliente assistir, com base nos filmes já na fila.

Uma amostra de matriz de clientes e seus itens comprados - é um exemplo de filtragem colaborativa baseada em usuários. Por simplicidade, use uma regra que uma área de usuários seja criada por usuários que compraram pelo menos duas coisas em comum.

Cliente	Item 1	Item 2	Item 3	Item 4	Item 5	Item 6
A - N1	X	X > X	B - N1
X	X	C - N2
X	X	D - N2
X	X	X > E - N1	X
X	F - N1	X
X	X	X	G - N1	X
X > H - N3	X	I - N3
X	Existem três bairros de usuários formados: N1, N2 e N3.Todo usuário nos bairros N1 e N2 comprou pelo menos 2 itens em comum com outra pessoa no mesmo bairro. N3 são usuários que ainda não cumpriram os critérios e não receberão recomendações até que compram outros itens para atender aos critérios.
Aqui está um exemplo de como você poderia usar este sistema de recomendação:	Offline

por meio de uma campanha de marketing por e-mail ou se o usuário estiver no site enquanto estiver conectado. O sistema poderia enviar anúncios de marketing ou fazer recomendações no site da seguinte forma:

Item 3 ao Cliente B

Item 4 ao Cliente C Item 1 ao Cliente E

• Item 3 ao Cliente F

• Item 2 ao Cliente G

• Indeterminado item para Clientes A e D

• Idealmente você deve ter muito mais itens do que seis. E sempre deve haver alguns itens na vizinhança de um cliente que o cliente ainda não comprou.

• Item não determinado para clientes H e I

• Neste caso, não há dados suficientes para servir como base de uma recomendação.

  Uma diferença muito importante é que, uma vez que cada cliente pertence a um grupo, todas as compras futuras feitas por um membro serão recomendadas aos outros membros do grupo até que o filtro seja treinado novamente. Então, o cliente A e D começarão a obter recomendações muito rapidamente, já que eles já pertencem a um bairro e certamente os outros vizinhos vão comprar algo em breve.

• Por exemplo: se o Cliente B comprar o Item 6, o sistema recomendador recomendará o item 6 a todos em N1 (Cliente A, B, E, F e G).

  O Cliente F pode potencialmente pertencer à vizinhança N1 ou N2 dependendo de como o algoritmo de filtragem colaborativo é implementado.

Os clientes H e eu fornecemos exemplos do

problema de início a frio:

O cliente apenas não gerou dados suficientes para serem agrupados em uma vizinhança de usuários. Na ausência de um perfil de usuário, um novo cliente com muito pouco ou nenhum histórico de compras - ou quem compra itens obscuros - sempre colocará o problema de início a frio no sistema, independentemente da abordagem de filtragem colaborativa em uso.

Cliente. Eu ilustra um aspecto do problema de início a frio que é exclusivo da abordagem baseada no usuário. A abordagem baseada em itens começaria a encontrar outros itens semelhantes ao item que o cliente comprou; então, se outros usuários começarem a comprar o Item 6, o sistema pode começar a fazer recomendações. Não é necessário fazer mais compras pelo usuário; A abordagem baseada em itens pode começar a recomendar. Em um sistema baseado em usuário, no entanto, o Cliente eu tenho que fazer compras adicionais para pertencer a um bairro de usuários; O sistema ainda não pode fazer recomendações. Certo, há um pressuposto no trabalho nestes exemplos simples, a saber, que o cliente não apenas comprou o item, mas gostou do suficiente para fazer compras semelhantes. E se o cliente não gostou do item? O sistema precisa, pelo menos, produzir uma melhor precisão em suas recomendações.

Você pode adicionar um critério ao sistema de recomendação para agrupar pessoas que deram classificações semelhantes aos itens que compraram.Se o sistema encontrar clientes que gostam e não gostam dos mesmos itens, a suposição de alta precisão é válida. Em outras palavras, existe uma alta probabilidade de que os clientes compartilhem os mesmos gostos.