我們知道你喜歡什麼！ 商業推薦系統的好處
已發表: 2020-07-28當人們購物時，他們會購買自己喜歡或別人推薦給他們的產品，因為他們相信自己的意見。 在當今的數字時代，在線商店為其客戶提供數十萬種產品。 為了幫助他們搜索這些產品併購買最合適的產品，在線商店使用推薦系統。
此外，內容提供商（例如音樂、電影）和社交網絡服務使用推薦系統來管理內容並為用戶創建有效的推薦。
簡而言之，推薦系統充當客戶助理的自動化形式，它不僅顯示您要求的產品，還顯示一些相關或您可能也喜歡的產品。 它們是商業中用於為客戶個性化內容的最流行的機器學習技術之一。
推薦系統有什麼好處？
推薦系統最明顯的目標是向用戶推薦相關產品。 史蒂夫喬布斯說：“很多時候，人們不知道他們想要什麼，直到你把它展示給他們”[1]。 參考喬布斯的話，我們可以說推薦系統的次要目標之一是向用戶展示他們過去沒有看過並且可能喜歡的產品。 匹配推薦可以幫助提高整體用戶滿意度，這使得消費者更有可能再次使用網站或應用程序。
Amazon.com 是推薦系統最著名的用戶和先驅之一。 亞馬遜使用推薦來為每個客戶個性化在線商店，這導致了亞馬遜 35% 的收入 [2]。
推薦系統的另一個著名例子是 Netflix 使用的算法。 據麥肯錫稱，用戶在 Netflix 上觀看的內容中有 75% 來自電影推薦 [3]。 在 Netflix 高管（Carlos A. Gomez-Uribe 和 Neil Hunt）撰寫的論文“ Netflix 推薦系統：算法、商業價值和創新”[4] 中，作者指出推薦系統每年為公司節省約 10 億美元。
據 Spotify 稱，新推薦算法的實施幫助他們的月用戶數從 7500 萬增加到 1 億 [5]。
推薦系統使用什麼類型的數據？
構建推薦系統最重要的元素是數據。 數據分為三種類型：顯式數據、隱式數據和產品描述。
顯式數據通常具有用戶給產品的數字形式（例如 5 星評級）。 顯式數據的示例是客戶在亞馬遜上對產品的評分或用戶在 Udemy 學習平台上對課程的課程評分。 這種類型的數據很難收集，因為它們需要用戶的額外輸入，因此需要更多時間來獲得足夠廣泛的評級池以構建有用的機器學習模型。
隱式數據很容易收集。 它是任何關注用戶如何與可用產品/內容交互的數據。 這類數據的主要問題是如何將用戶行為轉化為用戶偏好。 但是有一些有效的方法可以做到這一點。 隱式數據的示例包括歌曲在 Spotify 上的播放次數、產品鏈接的點擊次數或亞馬遜上的購買歷史記錄。
最後一種數據是 產品說明。 因為這種類型的數據通常是非結構化的（例如具有自由文本的形式），我們需要實現一些額外的預處理來提取相關信息並將其放入結構化的形式中。 產品描述的示例包括 Netflix 上的電影演員列表、Spotify 上的詞曲作者或亞馬遜上的產品描述。
有哪些類型的推薦系統？
收集完數據後，我們就可以開始構建推薦系統了。 主要有四種類型：
基於人氣
最簡單的推薦系統類型是基於項目的流行度。 該系統使用顯式或隱式數據計算產品評級。 您可以在下面找到兩個針對電影提供商的基於人氣的推薦系統示例：
- 使用明確的數據——根據用戶 5 星評分的平均值推薦熱門電影，
- 使用隱含數據——根據用戶播放的次數推薦熱門電影。
基於流行度的推薦系統最重要的優點是：
- 耐用戶冷啟動。 系統可以在沒有關於用戶的任何信息的情況下推薦產品。
- 它可以在用戶數量較少的環境中使用。
最重要的缺點是：
- 每個用戶都有相同的推薦列表。
- 項目冷啟動問題。 系統不能提出以前從未被其他用戶選擇過的項目或評分。
基於內容的過濾
基於內容的過濾方法基於產品描述和用戶偏好。 這種類型的系統推薦與用戶過去喜歡的產品相似的產品。 這種類型的推薦系統基於三個步驟：
- 產品描述分析器——在此步驟中，使用特徵提取技術分析產品描述，將原始描述轉換為項目向量。 使用項目向量，系統計算產品之間的相似性。
- 用戶畫像分析器——第二步，系統收集用戶偏好、用戶歷史數據，構建用戶向量表示的用戶畫像。 用戶向量中描述的特徵與項目向量中的特徵相同。
- 組件過濾——在最後一步，系統根據用戶和項目向量（例如使用餘弦相似度）選擇推薦。
基於內容的過濾的優點是：
- 沒有項目冷啟動問題。 系統可以在任何用戶嘗試之前推薦產品。
- 它是自適應的。 捕捉用戶興趣的變化。
- 為一位用戶推薦的項目不依賴於其他用戶。
- 推薦冷門產品。
這種解決方案的缺點是：
- 產品信息是必需的。
- 用戶冷啟動問題。 當沒有足夠的信息來建立用戶檔案時，系統無法生成推薦。
協同過濾
在協同過濾中，系統分析有關所有用戶的偏好、行為和活動的信息，以預測您可能喜歡什麼。 簡而言之，系統會推薦其他具有相似品味和行為的用戶喜歡的商品。 這種方法的主要假設是，過去喜歡類似產品的人將來也會喜歡類似產品。
協同過濾最重要的優點是：
- 系統的創建者和系統本身都不需要以任何方式理解或描述產品的內容。 這意味著系統可以推薦產品，而無需對產品本身進行任何分析。
- 它是自適應的。 系統捕捉用戶興趣的變化。
最重要的缺點是：
- 用戶冷啟動問題。 系統無法向尚未進行任何交互的新用戶推薦產品。
- 項目冷啟動問題。 系統也不能推薦用戶以前從未選擇過的項目。
雜交種
混合推薦系統結合了基於內容和協作的方法。 該解決方案在實踐中可能比單獨的兩種方法中的任何一種更有效。
Netflix使用了混合系統，其中電影推薦是比較相似用戶的觀看習慣（協同過濾）和尋找具有相似特徵的電影（如用戶過去喜歡的電影）的結果（基於內容的過濾） .
概括
今天，越來越多的在線公司使用推薦系統來增加用戶與其提供的服務的交互。 推薦系統是高效的機器學習解決方案，可以幫助提高客戶滿意度和用戶保留率，並顯著增加您的業務收入。
對推薦系統感興趣？
您是否有興趣在您的業務戰略中實施基於 AI 的解決方案（例如推薦系統）？ 如果是這樣，那麼您來對地方了。 聯繫我們的團隊討論您的想法並在 48 小時內獲得報價。
來源
[1] Edson, J.，2012 年。像 Apple 一樣的設計：創造超棒產品、服務和體驗的七項原則。 約翰威利父子公司。 第 47 頁
[2] Jones, SS and Groom, FM eds.，2019 年。面向非工程師的商業人工智能和機器學習。 CRC 出版社，第 86 頁
[3] Alex Castrounis，2019年。面向人和企業的人工智能。 更好的人類體驗和商業成功的框架。 （電子書）
[4] Gomez-Uribe, CA 和 Hunt, N.，2015年。Netflix 推薦系統：算法、商業價值和創新。 ACM 管理信息系統交易 (TMIS)，6(4)，pp.1-19。
[5] Leonard, D, 2016。Spotify 正在完善《彭博商業周刊》播放列表的藝術