Рубрика «коллаборативная фильтрация» - 2

в 8:07, , рубрики: ecommerce, Алгоритмы, коллаборативная фильтрация, метки: ,

Эта статья – продолжение опубликованной в блоге Centrobit моей статьи Анатомия рекомендательных сервисов (Часть 1).
Здесь мы поговорим про алгоритмы товарных рекомендаций для интернет-магазинов, основанные на близости поведения посетителей. Из подключенных к crossss.ru более 150 магазинов, в 32% именно такие алгоритмы работают лучше любых других.

Например, в блоге crossss мы уже писАли о том, как внедрение рекомендаций в магазине BeMad повысило ценность посетителя на 253%.

Как мы этого добиваемся?

Сначала — краткое содержание предыдущей серии

Рекомендательная система – это программный комплекс, который определяет интересы и предпочтения посетителя и дает рекомендации в соответствии с ними. Такая система может встраиваться в сайт интернет-магазина с помощью JS-сниппета или интеграции по API, как, например, http://crossss.ru, и, таким образом, осуществляет расширяющую персонализацию интернет-магазина.
Для построения рекомендаций такая система может использовать различные данные о текущем посетителе, их основные группы — на картинке:

image

Рекомендательные системы по принципу рекомендации можно разделить на несколько классов (от более простых к более сложным):

  • Рекомендации, подбираемые вручную (сотрудник магазина вручную заводит списки связанных товаров)
  • Статические рекомендации товар-к-товару (Item-To-Item Collaborative Filtering — мы о них коротенько говорили в первой части статьи)
  • Контентные рекомендательные системы (основанные исключительно на свойствах продуктов — мы их тоже обсудили в первой части )
  • Динамические рекомендации, создаваемые на основе поведения конкретного посетителя и контекста

Поговорим теперь про динамические рекомендации, создаваемые по поведению посетителя в режиме реального времени.
Читать полностью »

в 0:28, , рубрики: rss reader, Алгоритмы, коллаборативная фильтрация, опросы, поисковые технологии, распределённые вычисления, рекомендательные системы, метки: , , , , ,

Каркас

Я часто размышляю над тем, чего не хватает в интернете. И вот в моей голове зародилась мысль. А что если бы в интернете появилась рекомендательная система на основе ссылок? Объясняю принцип функционирования сервиса: на сервисе регистрируется пользователь по email или входит при помощи социальных сервисов, openid или же пользуется входом на сайт сервисом типа логинза, пользователь расшаривает(добавляет в базу данных сервиса) ссылки которые указывают на понравившийся ему контент(или просто в дежурном порядке добавляет найденные им ссылки в базу), далее Читать полностью »

в 15:29, , рубрики: surfingbird, Блог компании Surfingbird, коллаборативная фильтрация, рекомендательные системы, метки: , ,

В предыдущих сериях мы обсудили, что такое сингулярное разложение (SVD), и сформулировали модель сингулярного разложения с базовыми предикторами. В прошлый раз мы уже довели дело до конкретных формул апдейта. Сегодня я продемонстрирую очень простую реализацию очень простой модели, мы применим её к уже знакомой матрице рейтингов, а потом обсудим, какие получились результаты.
Рекомендательные системы: SVD на perl

Читать полностью »

в 14:06, , рубрики: Блог компании Surfingbird, коллаборативная фильтрация, рекомендательные системы, метки: ,

В прошлый раз я рассказал, пока в самых общих чертах, о сингулярном разложении – главном инструменте современной коллаборативной фильтрации. Однако в прошлый раз мы в основном говорили только об общих математических фактах: о том, что SVD – это очень крутая штука, которая даёт хорошие низкоранговые приближения. Сегодня мы продолжим разговор об SVD и обсудим, как же, собственно, использовать всю эту математику на практике.
image

Читать полностью »

в 16:38, , рубрики: surfingbird, Блог компании Surfingbird, коллаборативная фильтрация, рекомендательные системы, метки: , ,

Продолжаем разговор о рекомендательных системах. В прошлый раз мы сделали первую попытку определить схожесть между пользователями и схожесть между продуктами. Сегодня мы подойдём к той же задаче с другой стороны – попытаемся обучить факторы, характеризующие пользователей и продукты. Если Васе из предыдущего поста нравятся фильмы о тракторах и не нравятся фильмы о поросятах, а Петру – наоборот, было бы просто замечательно научиться понимать, какие фильмы «о поросятах», и рекомендовать их Петру, а какие фильмы – «о тракторах», и рекомендовать их Васе.

image
Читать полностью »

в 15:29, , рубрики: surfingbird, коллаборативная фильтрация, рекомендательные системы

Итак, в прошлый раз мы немного поговорили о том, что такое вообще рекомендательные системы и какие перед ними стоят проблемы, а также о том, как выглядит постановка задачи коллаборативной фильтрации. Сегодня я расскажу об одном из самых простых и естественных методов коллаборативной фильтрации, с которого в 90-х годах и начались исследования в этой области. Базовая идея очень проста: как понять, понравится ли Васе фильм «Трактористы»? Нужно просто найти других пользователей, похожих на Васю, и посмотреть, какие рейтинги они ставили «Трактористам». Или с другой стороны: как понять, понравится ли фильм «Трактористы» Васе? Нужно просто найти другиеЧитать полностью »

в 10:34, , рубрики: surfingbird, коллаборативная фильтрация, рекомендательные системы

Всем привет! Меня зовут Сергей, я математик, и я определяю развитие рекомендательной системы Surfingbird. Этой статьёй мы открываем цикл, посвящённый машинному обучению и рекомендательным системам в частности – пока не знаю, сколько в цикле будет инсталляций, но постараюсь писать их регулярно. Сегодня я расскажу вам, что такое рекомендательные системы вообще, и поставлю задачу чуть более формально, а в следующих сериях мы начнём говорить о том, как её решать и как учится наша рекомендательная система Tachikoma.

image

Рекомендательные системы – это модели, которые лучше васЧитать полностью »

12
Главная   |  Архив новостей  |   Android  |   Google  |   Apple  |   Microsoft  |   Информационная безопасность  |   Веб – разработка
Публикации RSS  |  Комментарии RSS
https://ajax.googleapis.com/ajax/libs/jquery/3.4.1/jquery.min.js