3 системы рекомендаций Golden-Goose и следующий рубеж
4 февраля 2023 г.Хорошие отношения с друзьями и семьей зависят от взаимопонимания. То же самое можно сказать и о современных приложениях в Интернете. Теперь они очень хорошо нас понимают и стали нашими ежедневными спутниками.
В частности, приложения, использующие персонализированные системы рекомендаций веб-сайтов, прошли долгий путь. Системы используют алгоритмы и методы машинного обучения, чтобы предлагать веб-сайты и контент, адаптированные для конкретного пользователя. Они стали неотъемлемой частью современного Интернета, и многие веб-сайты и приложения используют их для повышения удобства пользователей.
Первые персональные рекомендательные системы появились в конце 1990-х годов с запуском
Функция Amazon "Клиенты, которые купили этот товар, также купили". Эта система использовала данные о прошлых покупках и историю просмотров, чтобы рекомендовать продукты клиентам. С тех пор системы персонализированных рекомендаций становятся все более изощренными и используют для выдачи рекомендаций широкий спектр источников данных и методов машинного обучения.
Совместная фильтрация
Одним из ключевых достижений в системах персонализированных рекомендаций стало использование совместной фильтрации. Этот подход включает анализ предпочтений и поведения группы пользователей и использование этих данных для предоставления рекомендаций отдельным пользователям. Например, если группе пользователей со схожими интересами и вкусами понравился определенный веб-сайт, система рекомендаций может предложить этот веб-сайт новому пользователю, который ведет себя аналогично.
Системы рекомендаций на основе содержания
Еще одним важным нововведением стало использование систем рекомендаций на основе контента. Эти системы анализируют содержимое веб-сайта или фрагмента контента и используют эту информацию для предоставления рекомендаций пользователям. Например, система рекомендаций на основе содержания может анализировать текст статьи и использовать ключевые слова, чтобы рекомендовать читателю похожие статьи.
В последние годы системы персонализированных рекомендаций также начали включать больше источников данных, таких как активность в социальных сетях и данные о местоположении. Это позволило им давать еще более персонализированные рекомендации, поскольку они могут учитывать более широкий спектр факторов, которые могут повлиять на предпочтения пользователя.
В целом, персонализированные системы рекомендаций веб-сайтов прошли долгий путь за короткий промежуток времени. Они стали важным инструментом для улучшения работы пользователей в Интернете и, вероятно, будут продолжать развиваться и становиться еще более совершенными в будущем.
Золотые гуси систем персонализации
Традиционно веб-сайты персонализировали свой пользовательский интерфейс с помощью собственных систем рекомендаций, требующих дорогостоящего опыта кодирования. Однако теперь доступны более доступные решения SaaS в виде подключаемых модулей для веб-сайтов, которые легко установить и которые дают более или менее те же рекомендации.
Сегментация на основе правил – одно из первых решений для персонализации на местах, которое используется до сих пор. Например, очень распространенный сегмент основан на правиле независимо от того, отказывается ли пользователь от корзины. Если корзина брошена, можно установить правило, предлагающее рекомендацию или скидку.
Следующими были рекомендации по поведению, и опять же, они по-прежнему актуальны. Торговые площадки, такие как Amazon, отслеживают поведение пользователей (что пользователи просматривают или покупают), а затем, когда пользователь нажимает на продукт, веб-сайт рекомендует другие «Похожие товары» и/или «Бестселлеры в этой категории».
Большинство веб-сайтов, использующих персонализацию сегодня, по-прежнему используют эти рекомендации по поведению пользователей, включая Amazon.
Прогнозные рекомендации — это более поздняя разработка, результат того, что Amazon (и другие крупные компании) совершенствовали свои алгоритмы в последние годы. Теперь машинное обучение может предсказать, чего хотят отдельные посетители после нескольких посещений сайта.
Обращая внимание на нашу личную историю посещенных страниц в режиме реального времени, компании с системами рекомендаций на основе ИИ могут давать покупателям рекомендации в режиме реального времени, которые действительно один к одному . На веб-сайте Nike в окне рекомендаций «Вам также могут понравиться» показаны элементы, которые становятся более персонализированными по мере того, как посетители продолжают посещать сайт.
Чем больше посетитель просматривает, добавляет в корзину или покупает, тем точнее система рекомендаций предсказывает, что посетитель хочет увидеть. Именно в этот момент веб-сайт начинает делать больше перекрестных продаж, потому что рекомендуемые продукты действительно находят отклик у отдельных покупателей.
Следующий рубеж: специализированные инструменты перекрестных продаж для определенных ниш
Следующим шагом станет углубление в конкретную нишу с помощью инструмента, оптимизированного для лучшего выполнения работы. На веб-сайтах индустрии моды и платформах электронной коммерции используются системы персонализированных рекомендаций, чтобы предлагать продукты и стили своим пользователям. Эти системы можно адаптировать к индустрии моды, используя источники данных и методы машинного обучения, характерные для моды.
Например, система рекомендаций по моде может использовать данные о прошлых покупках пользователя и историю просмотров для . Он также может анализировать действия пользователя в социальных сетях и данные о местоположении, чтобы лучше понять его личный стиль и типы продуктов, которые могут его заинтересовать.
В дополнение к использованию традиционных методов системы рекомендаций, таких как совместная фильтрация и рекомендации на основе контента, система рекомендаций по моде может также использовать распознавание изображений визуального ИИ и обработку естественного языка для анализа взаимодействия пользователя с веб-сайтом и, таким образом, предоставления более точных рекомендаций для пользователей. покупатель.
Заключение
В целом системы персонализированных рекомендаций для веб-сайтов прошли долгий путь за короткий промежуток времени. Они стали важным инструментом для улучшения работы пользователей в Интернете и, вероятно, будут продолжать развиваться и становиться еще более совершенными в будущем.
Кроме того, специализированная система рекомендаций по моде может стать мощным инструментом для улучшения взаимодействия с пользователем на веб-сайте, посвященном моде, или на платформе электронной коммерции, а также может способствовать увеличению продаж, предлагая продукты и стили, которые могут заинтересовать пользователя.< /p>
Также опубликовано на Rosetta AI.
Оригинал