Des bases des filtres collaboratifs basés sur l'utilisateur dans l'analyse prédictive - mannequins

Avec une approche basée sur l'utilisateur pour le filtrage collaboratif en analyse prédictive, le système peut calculer la similarité entre les paires d'utilisateurs en utilisant la formule de similarité cosinus. Habituellement, ces calculs prennent plus de temps à faire, et peuvent nécessiter d'être calculés plus souvent que ceux utilisés dans l'approche par items. C'est parce que

vous auriez beaucoup plus d'utilisateurs que d'éléments (idéalement de toute façon).
Vous vous attendez à ce que les éléments changent moins fréquemment que les utilisateurs.
Avec plus d'utilisateurs et moins de changements dans les articles proposés, vous pouvez utiliser beaucoup plus d'attributs que simplement acheter l'historique pour calculer la similarité des utilisateurs.

Un système basé sur l'utilisateur peut également utiliser des algorithmes d'apprentissage automatique pour regrouper tous les utilisateurs qui ont montré qu'ils ont les mêmes goûts. Le système crée des quartiers d'utilisateurs ayant des profils, des modèles d'achat ou des modèles d'évaluation similaires. Si une personne dans un quartier achète et aime un article, le système de recommandation peut recommander cet article à tout le monde dans le voisinage.

Comme pour le filtrage collaboratif basé sur des articles, l'approche basée sur l'utilisateur nécessite des données suffisantes sur chaque utilisateur pour être efficace. Avant que le système puisse faire des recommandations, il doit créer un profil d'utilisateur - ainsi, il doit également créer un compte et être connecté (ou stocker des informations de session dans le navigateur via des cookies) tout en consultant un site Web.

Initialement, le système peut demander explicitement à l'utilisateur de créer un profil, étoffer le profil en posant des questions, puis optimiser ses suggestions après l'accumulation des données d'achat de l'utilisateur.

Netflix est un exemple de construction rapide d'un profil pour chaque client. Voici la procédure générale:

Netflix invite ses clients à configurer les files d'attente des films qu'ils souhaitent regarder.
Les films choisis sont analysés pour connaître les goûts du client dans les films.
Le modèle prédictif recommande davantage de films que le client doit regarder, en fonction des films déjà dans la file d'attente.

Un exemple de matrice de clients et de leurs articles achetés - est un exemple de filtrage collaboratif basé sur l'utilisateur. Pour simplifier, utilisez une règle selon laquelle un voisinage utilisateur est créé à partir d'utilisateurs ayant acheté au moins deux éléments en commun.

Client	Article 1	Article 2	Article 3	Article 4
A - N1	X	X > X	B - N1
X	X	C - N2
X	X	D - N2
X	X	X > E - N1	X
X	F - N1	X
X	X	X	G - N1	X
X > H - N3	X	I - N3
X	Il y a trois voisinages d'utilisateurs formés: N1, N2 et N3.Chaque utilisateur des quartiers N1 et N2 a acheté au moins deux articles en commun avec quelqu'un d'autre dans le même quartier. N3 sont des utilisateurs qui n'ont pas encore satisfait aux critères et ne recevront aucune recommandation tant qu'ils n'auront pas acheté d'autres articles répondant aux critères.
Voici un exemple d'utilisation de ce système de recommandation:	Hors ligne

via une campagne de marketing par e-mail ou si l'utilisateur est connecté au site. Le système peut envoyer des annonces marketing ou faire des recommandations sur le site Web comme suit:

Article 3 au client B

Article 4 au client C Article 1 au client E

Article 3 au client F
Article 2 au client G
Indéterminé article aux clients A et D
Idéalement, vous devriez avoir beaucoup plus d'articles que six. Et il devrait toujours y avoir des articles dans le voisinage d'un client que le client n'a pas encore acheté.
Article indéterminé pour les clients H et I
Dans ce cas, les données sont insuffisantes pour servir de base à une recommandation.

Une différence très importante est que puisque chaque client appartient à un groupe, tout achat futur effectué par un membre sera recommandé aux autres membres du groupe jusqu'à ce que le filtre soit recyclé. Donc, les clients A et D vont commencer à recevoir des recommandations très rapidement puisqu'ils appartiennent déjà à un quartier et les autres voisins achèteront sûrement quelque chose bientôt.
Par exemple: si le client B achète l'article 6, le système recommandant recommandera l'article 6 à tout le monde dans N1 (client A, B, E, F et G).

Le client F peut potentiellement appartenir au voisinage N1 ou N2 en fonction de la mise en œuvre de l'algorithme de filtrage collaboratif.

Les clients H et I fournissent des exemples du problème de démarrage à froid

Le client n'a tout simplement pas généré suffisamment de données pour être regroupé dans un voisinage utilisateur. En l'absence d'un profil d'utilisateur, un nouveau client avec très peu ou pas d'historique d'achat - ou qui n'achète que des articles obscurs - posera toujours le problème du démarrage à froid au système, quelle que soit l'approche de filtrage collaboratif utilisée.

Le client I illustre un aspect du problème de démarrage à froid unique à l'approche utilisateur. L'approche par article commencerait à trouver d'autres articles similaires à l'article que le client a acheté; ensuite, si d'autres utilisateurs commencent à acheter l'article 6, le système peut commencer à faire des recommandations. Aucun autre achat ne doit être effectué par l'utilisateur; l'approche par article peut commencer à recommander. Dans un système basé sur l'utilisateur, cependant, le client I doit faire des achats supplémentaires pour appartenir à un voisinage d'utilisateurs; le système ne peut pas encore faire de recommandations. D'accord, il y a une hypothèse à l'œuvre dans ces exemples simples - à savoir que le client n'a pas seulement acheté l'article mais l'a aimé suffisamment pour faire des achats similaires. Que faire si le client n'a pas aimé l'article? Le système doit, au minimum, produire une meilleure précision dans ses recommandations.

Vous pouvez ajouter un critère au système de recommandation pour regrouper les personnes qui ont attribué des notes similaires aux éléments achetés.Si le système trouve des clients qui aiment et n'aiment pas les mêmes éléments, l'hypothèse de haute précision est valide. En d'autres termes, il y a une forte probabilité que les clients partagent les mêmes goûts.