我们知道你喜欢什么！ 商业推荐系统的好处
已发表: 2020-07-28当人们购物时，他们会购买自己喜欢或别人推荐给他们的产品，因为他们相信自己的意见。 在当今的数字时代，在线商店为其客户提供数十万种产品。 为了帮助他们搜索这些产品并购买最合适的产品，在线商店使用推荐系统。
此外，内容提供商（例如音乐、电影）和社交网络服务使用推荐系统来管理内容并为用户创建有效的推荐。
简而言之，推荐系统充当客户助理的自动化形式，它不仅显示您要求的产品，还显示一些相关或您可能也喜欢的产品。 它们是商业中用于为客户个性化内容的最流行的机器学习技术之一。
推荐系统有什么好处？
推荐系统最明显的目标是向用户推荐相关产品。 史蒂夫乔布斯说：“很多时候，人们不知道他们想要什么，直到你把它展示给他们”[1]。 参考乔布斯的话，我们可以说推荐系统的次要目标之一是向用户展示他们过去没有看过并且可能喜欢的产品。 匹配推荐可以帮助提高整体用户满意度，这使得消费者更有可能再次使用网站或应用程序。
Amazon.com 是推荐系统最著名的用户和先驱之一。 亚马逊使用推荐来为每个客户个性化在线商店，这导致了亚马逊 35% 的收入 [2]。
推荐系统的另一个著名例子是 Netflix 使用的算法。 据麦肯锡称，用户在 Netflix 上观看的内容中有 75% 来自电影推荐 [3]。 在 Netflix 高管（Carlos A. Gomez-Uribe 和 Neil Hunt）撰写的论文“ Netflix 推荐系统：算法、商业价值和创新”[4] 中，作者指出推荐系统每年为公司节省约 10 亿美元。
据 Spotify 称，新推荐算法的实施帮助他们的月用户数从 7500 万增加到 1 亿 [5]。
推荐系统使用什么类型的数据？
构建推荐系统最重要的元素是数据。 数据分为三种类型：显式数据、隐式数据和产品描述。
显式数据通常具有用户给产品的数字形式（例如 5 星评级）。 显式数据的示例是客户在亚马逊上对产品的评分或用户在 Udemy 学习平台上对课程的课程评分。 这种类型的数据很难收集，因为它们需要用户的额外输入，因此需要更多时间来获得足够广泛的评级池以构建有用的机器学习模型。
隐式数据很容易收集。 它是任何关注用户如何与可用产品/内容交互的数据。 这类数据的主要问题是如何将用户行为转化为用户偏好。 但是有一些有效的方法可以做到这一点。 隐式数据的示例包括歌曲在 Spotify 上的播放次数、产品链接的点击次数或亚马逊上的购买历史记录。
最后一种数据是 产品说明。 因为这种类型的数据通常是非结构化的（例如具有自由文本的形式），我们需要实现一些额外的预处理来提取相关信息并将其放入结构化的形式中。 产品描述的示例包括 Netflix 上的电影演员列表、Spotify 上的词曲作者或亚马逊上的产品描述。
有哪些类型的推荐系统？
收集完数据后，我们就可以开始构建推荐系统了。 主要有四种类型：
基于人气
最简单的推荐系统类型是基于项目的流行度。 该系统使用显式或隐式数据计算产品评级。 您可以在下面找到两个针对电影提供商的基于人气的推荐系统示例：
- 使用明确的数据——根据用户 5 星评分的平均值推荐热门电影，
- 使用隐含数据——根据用户播放的次数推荐热门电影。
基于流行度的推荐系统最重要的优点是：
- 耐用户冷启动。 系统可以在没有关于用户的任何信息的情况下推荐产品。
- 它可以在用户数量较少的环境中使用。
最重要的缺点是：
- 每个用户都有相同的推荐列表。
- 项目冷启动问题。 系统不能提出以前从未被其他用户选择过的项目或评分。
基于内容的过滤
基于内容的过滤方法基于产品描述和用户偏好。 这种类型的系统推荐与用户过去喜欢的产品相似的产品。 这种类型的推荐系统基于三个步骤：
- 产品描述分析器——在此步骤中，使用特征提取技术分析产品描述，将原始描述转换为项目向量。 使用项目向量，系统计算产品之间的相似性。
- 用户画像分析器——第二步，系统收集用户偏好、用户历史数据，构建用户向量表示的用户画像。 用户向量中描述的特征与项目向量中的特征相同。
- 组件过滤——在最后一步，系统根据用户和项目向量（例如使用余弦相似度）选择推荐。
基于内容的过滤的优点是：
- 没有项目冷启动问题。 系统可以在任何用户尝试之前推荐产品。
- 它是自适应的。 捕捉用户兴趣的变化。
- 为一位用户推荐的项目不依赖于其他用户。
- 推荐冷门产品。
这种解决方案的缺点是：
- 产品信息是必需的。
- 用户冷启动问题。 当没有足够的信息来建立用户档案时，系统无法生成推荐。
协同过滤
在协同过滤中，系统分析有关所有用户的偏好、行为和活动的信息，以预测您可能喜欢什么。 简而言之，系统会推荐其他具有相似品味和行为的用户喜欢的商品。 这种方法的主要假设是，过去喜欢类似产品的人将来也会喜欢类似产品。
协同过滤最重要的优点是：
- 系统的创建者和系统本身都不需要以任何方式理解或描述产品的内容。 这意味着系统可以推荐产品，而无需对产品本身进行任何分析。
- 它是自适应的。 系统捕捉用户兴趣的变化。
最重要的缺点是：
- 用户冷启动问题。 系统无法向尚未进行任何交互的新用户推荐产品。
- 项目冷启动问题。 系统也不能推荐用户以前从未选择过的项目。
杂交种
混合推荐系统结合了基于内容和协作的方法。 该解决方案在实践中可能比单独的两种方法中的任何一种更有效。
Netflix使用了混合系统，其中电影推荐是比较相似用户的观看习惯（协同过滤）和寻找具有相似特征的电影（如用户过去喜欢的电影）的结果（基于内容的过滤） .
概括
今天，越来越多的在线公司使用推荐系统来增加用户与其提供的服务的交互。 推荐系统是高效的机器学习解决方案，可以帮助提高客户满意度和用户保留率，并显着增加您的业务收入。
对推荐系统感兴趣？
您是否有兴趣在您的业务战略中实施基于 AI 的解决方案（例如推荐系统）？ 如果是这样，那么您来对地方了。 联系我们的团队讨论您的想法并在 48 小时内获得报价。
来源
[1] Edson, J.，2012 年。像 Apple 一样的设计：创造超棒产品、服务和体验的七项原则。 约翰威利父子公司。 第 47 页
[2] Jones, SS and Groom, FM eds.，2019 年。面向非工程师的商业人工智能和机器学习。 CRC 出版社，第 86 页
[3] Alex Castrounis，2019年。面向人和企业的人工智能。 更好的人类体验和商业成功的框架。 （电子书）
[4] Gomez-Uribe, CA 和 Hunt, N.，2015年。Netflix 推荐系统：算法、商业价值和创新。 ACM 管理信息系统交易 (TMIS)，6(4)，pp.1-19。
[5] Leonard, D, 2016。Spotify 正在完善《彭博商业周刊》播放列表的艺术