Типизация и особенности рекомендательных систем,
Используемых в продвижении товара
Рекомендательная система представляет собой программу, позволяющую после анализа информации касающейся пользователя выстроить предположения о его сфере интересов и предложить потенциально интересующие объекты (товары) или контент (статьи, музыку и т.п.). В этой статье рассмотрены типы и особенности рекомендательных систем, используемых в продвижении товара и позволяющих персонализировать отдельные блоки информации.
Можно выделить два способа формирования рекомендаций, в основу первого положено знание о поведении, как данного пользователя (в прошлом), так и других пользователей, другой использует данные профиля потенциального покупателя такие, например, как пол, возраст, семейное положение и т.п. В рекомендательных системах можно выделить четыре основных типа [5;6], описанных далее.
1. Системы, основанные на контенте. В такого рода рекомендательных системах используются так называемые профили пользователей и характеристики объектов. Каждому объекту ставятся в соответствие некоторые значения параметров-характеристик, на основе которых производится прогноз оценки объекта с учетом интересов пользователя исходя из его профиля. При использовании такого подхода рекомендуются объекты, которые похожи по характеристикам с объектами, понравившимися пользователю [1].
Когда новый пользователь, у которого пустой профиль, начинает использовать рекомендательную систему, основанную на контенте, ему необходимо дать некоторую информацию о себе. Это можно сделать разными способами: путем задания важных (предпочтительных) значений характеристик, указанием интересных ему объектов (при сравнении которых можно будет выделить ключевые характеристики для этого пользователя), а также добавлением личной информации (возраст, пол, место проживания и т.д.).
|
|
|
При использовании рекомендательных систем такого типа особенностью и проблемой, с которой сталкиваются разработчики, является проблема нахождения значений параметров-характеристик объекта, так как количество таких характеристик может быть очень большим (например, в подходе Music Genom Project используется 400 характеристик, которые описывают музыкальные треки). Задавать такое количество характеристик каждому объекту вручную очень сложно и долго, также такие значения характеристик оказываются субъективными, ведь разные эксперты могут поставить разное значение некоторым характеристикам. Преимуществом основанных на контенте рекомендательных систем является отсутствие проблемы «холодного» старта (ситуация, когда объекту еще никто не поставил никакую оценку или таких оценок слишком мало). При использовании этого метода пользователям достаточно заполнить хотя бы частично свои профили, после чего им можно рекомендовать как новые, так и давно имеющиеся в базе и уже рекомендованные другим пользователям объекты.
|
|
|
2. Системы с коллаборативной фильтрацией. Методы коллаборативной фильтрации в свою очередь можно разделить на 3 типа: основанные на соседстве, основанные на модели и гибридные.
Методы коллаборативной фильтрации, основанные на соседстве, рекомендуют пользователю объекты на основании оценок похожих пользователей. Меру сходства пользователей можно определять разными способами, часть из которых будет рассмотрена далее. Метод k-ближайших соседей может основываться как на сходстве пользователей (user- based), так и на сходстве объектов (item- based). Методы коллаборативной фильтрации, основанные на модели, находят некоторые закономерности в оценках пользователей. К такому типу рекомендательных систем относят метод сингулярного разложения матриц, метод байесовских сетей, кластеризации, латентной семантической модели и др. [2].
Главным недостатком методов коллаборативной фильтрации является наличие проблемы «холодого» старта. При использовании этого подхода новые объекты не будут рекомендоваться пользователям в силу отсутствия оценок этого объекта. Тем не менее, использование предыдущих оценок активного пользователя (для которого строится рекомендация) и построение оценок с учетом оценок группы наиболее похожих на активного пользователя людей является одним из самых популярных способов построения рекомендаций в силу своей сравнительной простоты и хороших результатов.
|
|
|
3. Системы, основанные на знаниях. Такого рода методы рекомендации используют конкретные предметные знания об объектах и том, как эти объекты отвечают предпочтениям и нуждам пользователей. Основанные на знаниях системы используют дополнительную информацию о группе объектов в целом. Например, если человек в интернет-магазине покупает фотоаппарат, то к нему можно сразу предложить купить чехол. Такой подход дает хорошие результаты в задачах [4], когда рекомендовать похожие товары не целесообразно (например, при покупке квартиры вряд ли человек будет сразу же выбирать еще одну, а вот мебель, техника и т.д. ему может пригодиться).
В основанных на знаниях рекомендательных системах можно также выделить на 2 типа: ориентированные на ситуацию и ориентированные на ограничения. Ориентированные на ситуацию рекомендательные системы строят рекомендации, опираясь на меру сходства нужд пользователя (описания проблемы) и возможной рекомендации (решения проблемы). Ориентированные на ограничения рекомендательные системы преимущественно используют предопределенные базы знания о том, как соотнести потребности пользователя с характеристиками объектов.
|
|
|
Построение системы знаний о группе объектов является сложной задачей, решаемой для каждой конкретной группы объектов отдельно, что является как недостатком метода (трудоемкий), так и преимуществом (позволяет построить максимально подходящую под конкретную задачу рекомендацию).
4. Гибридные системы. Гибридные рекомендательные системы сочетают в себе несколько различных подходов рекомендации. При комбинации двух методов слабые стороны одного метода исправляют сильными сторонами второго метода, чтобы методы дополняли друг друга и решали определенные задачи. Например, можно использовать гибридную рекомендательную систему, сочетающую методы, основанные на контенте (для решения проблемы холодного старта), и коллаборативую фильтрацию (для выявления скрытых предпочтений пользователей).
С развитием новых форм продаж особая роль в продвижении товара отведена рекомендательным системам. Построение рекомендаций действительно актуально и применимо практически ко всем областям [3], а их типизация и анализ особенностей позволяют осуществить выбор определенного типа, соответствующего особенностям товара/контента и продвижения товара.
Список литературы:
1. Курдов А.А., Грибановская С.В. Исследование стратегий повышения экономической эффективности компаний IT сектора. [Текст]/Курдов А.А., Грибановская С.В.// В сборнике: Труды экономического и социально-гуманитарного факультета. Посвящается светлой памяти ректора РГГМУ Льва Николаевича Карлина. Санкт-Петербург, 2015. С. 108-112.
2. «Коллаборативная фильтрация» [Электронный ресурс]. Режим доступа: http://intellect.ml/kollaborativnaya-filtratsiya-4778/. [Дата обращения: 08.11.2018].
3. Максимова Т.Г., Купратая Л.В. Маркетинговые инновации во внешнеторговой деятельности малых предприятий. [Текст]/Максимова Т.Г., Купратая Л.В.//Экономика и предпринимательство. 2018. № 6 (95). С. 1182-1185.
4. Островская Е.Н., Семенова Ю.Е. Проблемы формирования сервисной модели поддержки малого бизнеса в России. [Текст]/Островская Е.Н., Семенова Ю.Е.//Наука и бизнес: пути развития. 2018. №3 (81). С. 166-168.
5. «Хабрахабр. Рекомендательные системы: You can (not) advise» 23. 04. 2013. [Электронный ресурс]. Режим доступа: https://habrahabr.ru/post/176549/. [Дата обращения: 08.11.2018].
6. F. Ricci, L. Rokach, B. Shapira and P. B. Kantor, Recommender Systems Handbook, LLC: Springer Science+Business Media, 2011.
7. Voronkova O.V., Semenova Yu.E., Lukina O.V., Panova A.Yu., Ostrovskaya E.N. ASSESSMENT OF THE INFLUENCE OF HUMAN FACTOR ON THE WORKING PROCESS EFFECTIVENESS AS A FACTOR FOR IMPROVING THE EFFICIENCY OF PRODUCTION MANAGEMENT AT INDUSTRIAL ENTERPRISES\\Espacios. 2018. Т. 39. № 48. С. 25.
Бранат Анастасия Раульевна
Российский государственный гидрометеорологический университет
Дата добавления: 2019-09-02; просмотров: 287; Мы поможем в написании вашей работы! |
Мы поможем в написании ваших работ!