Como usar filtros colaborativos baseados em itens na análise preditiva - dummies

Um dos sistemas de recomendação da Amazon para uso de análise preditiva filtragem colaborativa baseada em itens - distribuindo um enorme inventário de produtos do banco de dados da empresa quando um usuário visualiza um único item no site. Você sabe que está olhando para um sistema de filtragem colaborativo baseado em itens (ou, muitas vezes, em um sistema baseado em conteúdo), se ele mostrar recomendações em sua primeira exibição de itens, mesmo se você não criou um perfil.

Parece mágica, mas não é. Embora seu perfil ainda não tenha sido criado (porque você não está logado ou não possui histórico de navegador anterior nesse site), o sistema leva o que equivale a uma adivinhação: Baseia sua recomendação em o item e que outros clientes visualizaram ou compraram depois (ou antes) compraram esse item. Então, você verá algumas mensagens na tela como

Os clientes que compraram este item também compraram …
Os clientes que compraram itens na sua história recente também compraram …
O que outros itens compraram os clientes depois de ver este item?

Em essência, a recomendação é baseada em quão semelhante o item atualmente exibido é para outros itens, com base nas ações da comunidade de usuários.

O seguinte mostra uma amostra de matriz de clientes e os itens que eles adquiriram. Ele será usado como um exemplo de filtragem colaborativa baseada em itens.

Cliente	Item 1	Item 2	Item 3	Item 4	Item 5	Item 6
A	X > X	X	B
X	X	C
X			X		D
X			X	X	E
X		X	F
X	X	X		X	G
X	X		H
X > I	X
						Agora vamos ver a similaridade do item calculada usando a fórmula de similaridade do coseno. A fórmula para

semelhança de coseno

é (A & middot; B) / (|| A || || B ||), onde A e B são itens a serem comparados. Para ler o exemplo a seguir e descobrir como um par de itens semelhantes são, basta localizar a célula onde os dois itens se cruzam. O número será entre 0 e 1. Um valor de 1 significa que os itens são perfeitamente semelhantes; 0 significa que eles não são semelhantes.

Item 6

0	0	0	0	Item 5	0. 26
0. 29	0. 52	0. 82	0	Item 4		0. 32
0. 35	0. 32	0. 82	0		Item 3	0. 40
0. 45	0. 32	0. 52		0	Item 2	0. 67
0. 45	0. 35		0. 29	0	Item 1	0. 67
0. 40		0. 32	0. 26	0	Item 1	Item 2
	Item 3	Item 4	Item 5	Item 6	O sistema pode fornecer uma lista de recomendações acima de um certo valor de similaridade ou pode recomendar o número de itens	n

superior.Nesse cenário, você pode dizer que qualquer valor maior ou igual a 0. 40 é semelhante; O sistema recomendará esses itens. Por exemplo, a semelhança entre o item 1 eo item 2 é 0. 67. A semelhança entre o item 2 eo item 1 é a mesma. Assim, é uma imagem espelhada na diagonal da parte inferior esquerda para a parte superior direita. Você também pode ver que o item 6 não é semelhante a nenhum outro item porque tem um valor de 0. Esta implementação de um sistema de recomendação baseado em itens é simplificada para ilustrar como funciona. Por simplicidade, use apenas um critério para determinar a similaridade do item: se o usuário comprou o item. Os sistemas mais complexos podem entrar em maior detalhe por

Usando perfis criados por usuários que representam seus gostos

Factoring em quanto o usuário gosta (ou altamente classifica) um item

Pesando quantos itens o usuário comprou que são semelhante ao potencial item (s) recomendado (s)
Fazendo suposições sobre se um usuário gosta de um item com base em se o usuário simplesmente viu o item, mesmo que nenhuma compra tenha sido feita
Aqui estão duas maneiras comuns de você use este sistema de recomendação:
Offline através de uma campanha de marketing por e-mail ou se o usuário estiver no site enquanto estiver conectado.

O sistema pode enviar anúncios de marketing ou fazer essas recomendações no site:

Item 3 para o Cliente B

Recomendado porque o Cliente B comprou itens 1 e 2 e ambos os itens são semelhantes ao Item 3.
- Item 4, depois Item 2, ao Cliente C
  
  Recomendado porque o Cliente C comprou Itens 3 e 5.O item 5 é semelhante ao Item 4 (valor de similaridade: 0. 82). O item 2 é semelhante ao item 3 (valor de similaridade: 0. 45).
- Item 2 ao Cliente D
  
  Recomendado porque o Cliente D comprou Itens 3, 4 e 5. O Item 3 é semelhante ao Item 2.
- Item 1 ao Cliente E
  
  Recomendado porque o Cliente E comprou itens 2 e 3, ambos iguais ao Item 1.
- Item 3 ao Cliente F
  
  Recomendado porque o Cliente F comprou itens 1, 2, 4 e 5. Os itens 1, 2 e 5 são semelhantes ao Item 3.
- Item 2 ao Cliente G
  
  Recomendado porque o Cliente G comprou Itens 1 e 3. Eles são ambos semelhantes ao Item 2.
- Item 2, então Item 3, ao Cliente H
  
  Recomendado porque o Cliente H comprou item 1. O item 1 é semelhante aos itens 2 e 3.
- Item não determinado ao cliente A
  
  Idealmente, você deve ter muito mais itens e usuários. E deve haver alguns itens que um cliente adquiriu que são semelhantes a outros itens que ele ou ela ainda não adquiriu.
- Item não determinado ao Cliente I
  
  Neste caso, os dados são insuficientes para servir como base de uma recomendação. Este é um exemplo do problema de início a frio.
- Online através de uma exibição de página enquanto o usuário não está logado.