Метка «рекомендательные системы»

в 7:16, , рубрики: collaborative filtering, ecommerce, Блог компании Студия Михаила Кечинова, коллаборативная фильтрация, персонализация, рекомендательные системы, метки: , , , ,

Представьте, что вы пришли в интернет-магазин купить водонагреватель. В каталоге выводится набор из двух сотен вариантов. Вы не специалист в этом виде техники и не знаете, чем они отличаются и какие характеристики важны. Тем более, что большинство из них по параметрам весьма похожи. Насколько легко будет сделать выбор?

Люди теряются, когда им сразу предлагают слишком много вариантов. Зачастую они уходят туда, где выбор меньше и проще определиться. Широкий ассортимент делает нас не только пассивнее, но и мешает получить удовлетворение от хорошей сделки — заявил американский психолог Бэрри Шварц в своей книге “Парадокс выбора. Почему «больше» значит «меньше”.
Читать полностью »

в 11:53, , рубрики: ecommerce, Блог компании Студия Михаила Кечинова, персонализация, рекомендательные системы, метки: , ,

Персональные рекомендации пользователям помогают покупателям быстрее находить необходимые товары или услуги и повышают объем продаж.

Есть несколько определений этому термину. Наиболее подходящий, на мой взгляд, дала Джинни Хопкинс в своем посте на Hubspot: “персонализация — это привлечение клиента при помощи технологий таким образом, как будто вы сами в живую стоите перед ним". Персонализацию в данном контексте можно сравнить с опытным продавцом-консультантом, который старается угадать желания и потребности покупателя. При этом чем больше консультант встречает покупателя в торговом зале, тем больше он о нем знает и тем лучше он выполняет свою работу, предлагая наиболее оптимальные для клиента товары.

На сегодняшний день персонализация является одной из самых интересных и важных областей электронной коммерции и цифрового маркетинга. Этот процесс помогает интернет-магазинам оказывать лучший сервис, создавая прочные отношения с клиентами, которые выгодны и покупателю, и продавцу.

В этой статье мы опишем три стратегии для малых или средних интернет-магазинов, которые только начинают знакомство с персонализацией.
Читать полностью »

в 17:32, , рубрики: data mining, рекомендательные системы, метки: ,

Рекомендательные системы: You can (not) advise
Более полугода назад в поисках что посмотреть, я листал топ произведений. Это занятие повторялось уже много раз и успело надоесть — постоянно приходилось пропускать то, что я смотреть не хочу. Имхонетами раньше не пользовался, да и не доверял им из-за специфики искомых произведений. На сайте, где я производил поиски, была возможность создать свой список просмотренных произведений и выставить оценку, также были доступны оценки других пользователей. Тут мне в голову пришла гениальная идея, как оказалось позднее банальная, — используя оценки других пользователей делать рекомендации. Данная деятельность называется коллаборативной фильтрацией, а программа её реализующая — Рекомендательной системой(РС). Оглядываясь назад я понимаю, что совершил множество ошибок из-за недостатка информации и её труднодоступности в данной тематике, а что самое главное — сильно переоценил РС. В данном посте я сделаю обзор основных типов и алгоритмов РС, а также постараюсь передать часть своих знаний и опыта.
Читать полностью »

в 16:51, , рубрики: surfingbird, Алгоритмы, Блог компании Surfingbird, искусственный интеллект, рекомендательные системы, социальные сети, метки: , ,

Сегодня я расскажу о том, как можно использовать данные о пользователях из социальных сетей для рекомендаций веб-страниц на холодном старте. Все приведенные в статье результаты носят чисто экспериментальный характер и в настоящий момент мы не реализованы в продакшене. Здесь, как и в прошлой статье, будут использоваться элементы текстмайнига для анализа текстового контента веб-страниц.

Сначала немного статистики для того, чтобы показать важность настоящего исследования. Около 50% пользователей нашей системы регистрируются с привязкой аккаунтов социальных сетей vkontakte (VK) и facebook (FB). Причем из зарегистрированных через социальные сети 71% приходится на VK и 29% на FB.

API FB и API VK позволяют извлекать некоторые данные об интересах и предпочтениях пользователя. Но не все так просто, как может показаться. Для получения данных пользователя нужно получить особые права, согласие на которые дает сам пользователь при регистрации в системе. Здесь возникает тонкий момент. С одной стороны, мы ходим вытянуть как можно больше информации о пользователе. С другой стороны, просить слишком много прав — наглость, которая может отпугнуть пользователя. Нужно найти компромисс — тонкое равновесие между полезностью получаемых данных для улучшения рекомендаций и «суммой» кредита доверия от пользователя, который соглашается, чтобы мы залезли в его персональные данные.
Читать полностью »

в 16:11, , рубрики: surfingbird, Алгоритмы, Блог компании Surfingbird, искусственный интеллект, многорукие бандиты, обучение с подкреплением, рекомендательные системы, метки: , , , ,

В прошлый раз мы рассмотрели общую постановку задачи о многоруких бандитах, обсудили, зачем это может быть нужно, и привели один очень простой, но эффективный алгоритм. Сегодня я расскажу о ещё одной модели, которая эффективна в ситуациях, когда ожидаемые доходы от бандитов меняются со временем, да и само число и состав «ручек» может меняться – о динамической гамма-пуассоновской модели.

Многорукие бандиты: модель dynamic Gamma Poisson
Читать полностью »

в 9:57, , рубрики: surfingbird, Алгоритмы, Блог компании Surfingbird, искусственный интеллект, многорукие бандиты, обучение с подкреплением, рекомендательные системы, метки: , , , ,

Это первый пост из блога Surfingbird, который я выношу в общие хабы алгоритмов и искусственного интеллекта; честно говоря, раньше просто не догадался. Если интересно, заходите к нам, чтобы прочесть предыдущие тексты, – я не знаю, что произойдёт, если просто добавить новые хабы к постам несколькомесячной давности.

Краткое содержание предыдущих серий о рекомендательных системах:

В этот раз начинаем новую тему – о многоруких бандитах. Бандиты – это самая простая, но от этого только более важная постановка задачи в так называемом обучении с подкреплением…

Многорукие бандиты: введение и алгоритм UCB1
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 10:24, , рубрики: ecommerce, SaaS, рекомендательные системы, рекомендации, электронная коммерция, метки: , , ,

В последнее время на хабре было немало статей про персонализацию и рекомендательные системы. Вообще, это направление кажется одним из наиболее перспективных в анализе данных. Его элементы уже сейчас активно используются, например, в поиске (по некоторым запросам выдача для разных пользователей будет разной) и рекламе (Директ, AdSense). Однако исторически одной из первых областей применения был Amazon, который в начале 2000-х годов разработал и внедрил простейшую рекомендательную систему, основанную на принципах «Посоветовать товар, который другие пользователи, купившие такой же товар, как и данный покупатель, купили». Собственно, отсюда и растут ноги у одного из блоков рекомендаций на Амазоне — «What Other Items Do Customers Buy After Viewing This Item?». Разумеется, сейчас под этой вывеской показываются результаты работы гораздо более хитроумного алгоритма.
* Для публикации в хаб «Я пиарюсь» не хватает кармы, поэтому публикую в релевантный тематике хаб.
Читать полностью »

в 14:45, , рубрики: LDA, Блог компании Surfingbird, рекомендательные системы, метки: ,

В прошлый раз я рассказывал о теореме Байеса и приводил простой пример – наивный байесовский классификатор. В этот раз мы перейдём к более сложной теме, которая развивает и продолжает дело наивного байеса: мы научимся выделять темы при помощи модели LDA (latent Dirichlet allocation), а также применим это к рекомендательным системам.

Рекомендательные системы: LDA
Читать полностью »

в 13:45, , рубрики: байесовский подход, Блог компании Surfingbird, машинное обучение, рекомендательные системы, метки: , ,

В этой части мы не будем говорить о рекомендательных системах как таковых. Вместо этого мы отдельно сконцентрируемся на главном инструменте машинного обучения — теореме Байеса — и рассмотрим один простой пример её применения — наивный байесовский классификатор. Disclaimer: знакомому с предметом читателю я вряд ли тут сообщу что-то новое, поговорим в основном о базовой философии машинного обучения.

image
Читать 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