ホームページ » インターネット » Amazonのリコメンデーションエンジンを使ったスマートなホリデーショッピングショップ

    Amazonのリコメンデーションエンジンを使ったスマートなホリデーショッピングショップ

    クリスマスの時に私たちの多くは私たちの愛する人のための最も適切な贈り物を選ぶのに苦労しています。クリスマスのプレゼント探しには数日、場合によっては数週間の計画が必要です。その特定の楽しさと楽しい部分は別として, クリスマスの買い物は時間がかかりストレスの多い経験になることがあります.

    幸いなことに、最先端技術の時代には、ショッピングプロセスをより効率的かつ生産的にすることができる無料のツールがあります。この記事では、世界最大の小売店サイトの1つであるAmazon.comがどのようにお客様を支援できるかを説明します。 最高の贈り物を見つける 友達や家族のために 妥当な期間内に そのスマート推薦エンジンの助けを借りて.

    パーソナライズされたユーザーエクスペリエンス

    Amazon、Facebook、Youtubeなどの世界で最も成功しているWebサイトはとても人気があります。 彼らは皆にパーソナライズされたユーザーエクスペリエンスを提供します.

    ユーザーエクスペリエンスをパーソナライズすることは基本的に企業が 自分のサイトをナビゲートしながらさまざまなアクションを実行しながら、ユーザーを観察します。 それに。彼らはデータをきちんとしたデータベースに集め、それを分析します.

    それはプライバシーにとって有害で​​はないですか?ある観点からすると、そうです。これらの会社は、私たちの親しい友人や私たち自身よりも私たちについてもっと知っているかもしれません。一方, 彼らは私たちの生活を楽にすることができるサービスを私たちに提供しています, そして より良い情報を得た上での決定.

    トランザクションの観点から見れば、プライバシーの一部とともに、ユーザーエクスペリエンスと快適性の向上に「支払う」ことになります。.

    もちろん、オンラインコンテンツプロバイダと当局との間の法的な戦いは一定しているので、あまり愛されていないEUのクッキー法について考えてみましょう。パーソナライズされた推奨が舞台裏でどのように機能するかを理解するのに役立ちます.

    Amazonのリコメンデーションの背後にある技術

    AmazonのWebサイトをナビゲートしている間、私たちは以下のような見出しの下のどこにでもパーソナライズされたおすすめを見つけることができます。 “あなたにとって新しい”, “Kindleストアでのおすすめ”, “おすすめのおすすめ”, “この商品を買った人はこんな商品も買っています”, そして他の多くの.

    おすすめは すべての部品に統合 からの購買プロセスの チェックアウトへの商品検索. カスタマイズされたリコメンデーションは、サイトを使用するにつれてユーザーをよりよく知るためのインテリジェントなリコメンデーションエンジンによって強化されています。.

    推薦システムをよりよく理解するためには、推薦システムを次のように考えるのが得策です。 検索エンジンの高度なバージョン. Amazonでアイテムを検索すると、結果が返されるだけでなく、その結果も返されます。 私達が必要とするかもしれない製品についての予測をします, そして私達のためのその推薦を示しています.

    推薦システムは異なる種類の機械学習アルゴリズムを使用し、それらはビッグデータ技術の進化と共に商業的に実行可能になった。推薦エンジンは データ駆動型製品, として 彼らはビッグデータの巨大な海の中で最も関連性のある小さなデータセットを見つける必要があります。.

    推奨システムが解決する必要がある計算タスクは、 予測分析とフィルタリング

    彼らは以下のアプローチのうちの1つを使います:

    (1) 協調フィルタリング, それは類似点を探します 共同データ 購入、評価、お気に入り、評価、評価など

    • どちらか ユーザー - ユーザーマトリックス, 他の類似した製品が好き、購入、評価などされた顧客の選択に基づいて推奨が生成される場合,
    • または 製品 - 製品マトリックス, リコメンデーションエンジンが、購入、お気に入り、評価などが類似している商品を現在のユーザーが購入、評価、お気に入り、評価した商品に戻す場合

    Amazonは後者がより高度なので後者を使用しています(次のセクションで詳細を見てください).

    (2) コンテンツベースのフィルタリング, これは、詳細、説明、著者などの製品の客観的特性の類似性、およびユーザーの以前の好み(ここでは他のユーザーの好みとは比較されません)に基づいて予測を行います。.

    (3) ハイブリッドフィルタリング, コラボレーティブフィルタリングとコンテンツベースフィルタリングの組み合わせを使用している.

    製品 - 製品マトリックス

    協調フィルタリングの伝統的な方法はユーザー - ユーザーマトリックスを利用しており、一定量のデータを超えると深刻なパフォーマンスの問題を抱えています。.

    好み、評価、すべてのユーザーの購入数を一致させるため アクティブユーザーに最も近い人を見つける, リコメンデーションエンジンが分析する必要があります すべてのユーザー データベースでそれらを現在のものと照合します.

    Amazonの規模について考えると、この種のフィルタリングは不可能であることは明らかであるため、Amazonのエンジニアは前者の方法のアップグレード版を開発し、それを呼び出しました。 アイテム間の協調フィルタリング.

    アイテム間の協調フィルタリングの維持 共同の成功 製品の客観的な品質ではなくベンチマークとして(上記のコンテンツベースのフィルタリングを参照)、製品と製品のマトリックスでクエリを実行します。つまり、ユーザーは比較されず、製品が比較されます。.

    これまでに購入した商品、評価した商品、欲しいものリストに載せた商品、コメントした商品などを推薦エンジンが調べてから、データベース内で類似の単価と購入を持つ商品を探し、それらを集計して返します。おすすめとしてのベストマッチ.

    より良い推奨事項を入手する方法

    クリスマスの買い物に戻ると、 より良い結果を得るためにAmazonのリコメンデーションエンジンをトレーニングする. あなたが愛する人のために何を買うべきかについて漠然とした考えしか持っていないのであれば、閲覧中にウェブサイト上に痕跡を残す以外に何もする必要はありません。.

    この記事のために私は自分でこれを試した.

    私の出発点は、私はいくつかの小さなオフィス用家具を見つけたいということでしたが、正確には何を知りませんでした。それで私は検索バーにいくつかの関連キーワードを入力し、そして結果を閲覧し始めました。気に入ったアイテムをウィッシュリストに入れ、レビューのいくつかを評価しました。 “役に立った”, 私のかごにオフィス用家具を落とした.

    私がこれまでにAmazonで同様の商品を購入したことがある場合、レビューを書くことは非常に役に立ちましたが、実際にはそれができませんでした(購入済みの商品についてのみレビューを書くことができます).

    約10〜15分後、私は立ち止まって、私のおすすめページをクリックしました。 “[あなたの名前]のAmazon” メニューポイント)。実験の前は、このページには本しかありませんでした。これは、通常Amazonで購入するものです。私の大規模な検索の後、あなたが以下で見ることができるように、本は消えて、クールなオフィス家具によって置き換えられました.

    エンジンの調整

    各推奨の下にあるように、推奨エンジンをさらにトレーニングすることが可能です。 あります “なぜお勧め?” リンク. 私のおすすめの中には、オフィス用家具製品ではなく、クリスマス用に購入したくないものがあります。.

    それで、それがここにある理由を見てみましょう.

    リンクをクリックした後、Amazonは私が私のバスケットに特定のオフィスのコンピュータチェアを入れたのでそれが推薦されたことを私に知らせます。まあ、それは面白い関係ですが、私はまだそれを必要としません.

    私はここに2つの選択肢があります、私はどちらかをチェックすることができます “興味がない” ごみ箱の横にあるチェックボックス、または “おすすめに使わない” オフィスチェアの横にあります。私はダニ “興味がない” チェックボックス.

    そして、この時点でビンライナーは消えてしまいました。それは私が完璧な贈り物に一歩近づいたことを意味します。.

    将来的にその正確なビンライナーが必要になるとしたら、残念です。えっ、ちょっと待って。その解決策を見つけました。下 “あなたのおすすめを向上させる” メニューポイント、私は私がマークした項目を編集することができます “興味がない” ラベル

    私の想像上の贈り物探しを見つけたら、私は将来自分のおすすめ商品の中から見たいと思うかもしれない商品のチェックを外すことができます。.