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

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

Vidéo: Top 15 Advanced Excel 2016 Tips and Tricks 2025

Vidéo: Top 15 Advanced Excel 2016 Tips and Tricks 2025
Anonim

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:

  1. Netflix invite ses clients à configurer les files d'attente des films qu'ils souhaitent regarder.

  2. Les films choisis sont analysés pour connaître les goûts du client dans les films.

  3. 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 Article 5 Article 6
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.

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

Le choix des éditeurs

Découvrir les Méditations de Pleine Conscience Formelle - les nuls

Découvrir les Méditations de Pleine Conscience Formelle - les nuls

Pour approfondir votre conscience consciente, vous devez pratiquer une méditation de pleine conscience sur une base quotidienne. Familiarisez-vous avec certaines des médiations suivantes. Avec le temps, vous deviendrez plus conscient de votre vie quotidienne. Body Meditation Meditation - Cette méditation implique de passer environ une demi-heure, en prenant conscience de ...

Démystifier Dan Brown: Les Templiers Royaux - les nuls

Démystifier Dan Brown: Les Templiers Royaux - les nuls

Les Templiers sont presque aussi fictifs dans Dan Brown Le code Da Vinci comme les chevaliers Jedi sont dans Star Wars. Bien que le héros Robert Langdon hésite d'abord à élever les Templiers dans ses cours, parce que la mention même d'eux fait ressortir les amants du complot, Brown n'a aucun problème à les faire participer ...

Démystification des mythes communs sur la franc-maçonnerie - mannequins

Démystification des mythes communs sur la franc-maçonnerie - mannequins

La franc-maçonnerie moderne existe depuis 1717. Les premières contre-vérités concoctées sur l'Ordre sont apparues en impression à peu près en même temps. Les États-Unis étaient consumés par l'hystérie anti-maçonnique à la fin des années 1820, et l'Europe a fait de Mason-bashing un sport populaire pendant deux siècles, le liant souvent à la propagande antisémite. Internet n'a que ...

Le choix des éditeurs

À L'aide de la boîte de dialogue Configurer l'affichage dans PowerPoint 2011 pour Mac - témoins

À L'aide de la boîte de dialogue Configurer l'affichage dans PowerPoint 2011 pour Mac - témoins

Dans la boîte de dialogue Configurer l'affichage dans PowerPoint, cliquez sur le bouton Configurer l'affichage dans l'onglet Diaporama du ruban Office 2011 pour Mac, ou choisissez Diaporama → Configurer l'affichage dans la barre de menus. Dans les deux cas, la boîte de dialogue Configurer l'affichage polyvalent apparaît. Choisir un type de spectacle dans PowerPoint 2011 pour Mac ...

Enregistrement des fichiers dans Office 2011 pour Mac - témoins

Enregistrement des fichiers dans Office 2011 pour Mac - témoins

Enregistrement d'un fichier sur lequel vous travaillez dans Office 2011 pour Mac est aussi simple que de cliquer sur le bouton Enregistrer dans la barre d'outils Standard, en appuyant sur Commande-S ou en choisissant Fichier → Enregistrer. Si votre fichier a été enregistré précédemment, l'enregistrement du fichier remplace la copie existante du fichier par votre version mise à jour. Si votre fichier n'a pas ...

Fonctionnant avec les modèles de diapositives maîtres dans PowerPoint 2011 pour Mac - les nuls

Fonctionnant avec les modèles de diapositives maîtres dans PowerPoint 2011 pour Mac - les nuls

Dans Office 2011 pour Mac, l'ajout d'une nouvelle présentation de diapositive à une diapositive dans la vue Diapositive maître de PowerPoint 2011 est une tâche assez simple à effectuer. Suivez ces étapes pour commencer: Assurez-vous que vous êtes en mode Masque des diapositives. Choisissez Affichage → Maître → Masque de diapositives dans la barre de menus. Cliquez sur l'onglet Masque des diapositives du ruban, ...

Le choix des éditeurs

Sélectionnez PowerPoint 2007 Objects - dummies

Sélectionnez PowerPoint 2007 Objects - dummies

Avant de pouvoir modifier un objet PowerPoint 2007 sur une diapositive, vous devez le sélectionner. Dans les présentations PowerPoint, les objets peuvent être du texte, des graphiques, des images clipart, des formes, etc. Voici quelques instructions pour sélectionner les objets PowerPoint 2007: Objets texte: Pour sélectionner un objet texte PowerPoint 2007, déplacez le point d'insertion sur le texte qui ...

Définir le contour de la forme sur une diapositive PowerPoint 2007 - dummies

Définir le contour de la forme sur une diapositive PowerPoint 2007 - dummies

Le contrôle shapePoint de powerPoint vous permet style des objets de ligne ou la bordure pour les objets de forme solide sur vos diapositives PowerPoint. Le contrôle Shape Outline se trouve dans le groupe Styles de formes de l'onglet Outils de dessin. Vous pouvez modifier les paramètres suivants pour le contour: Couleur: Définit la couleur utilisée pour ...

PowerPoint 2016 pour les nuls Cheat Sheet - les nuls

PowerPoint 2016 pour les nuls Cheat Sheet - les nuls

PowerPoint 2016 est le logiciel de présentation le plus puissant disponible pour créer et éditer la diapositive montrer des présentations pour le travail, la maison ou l'école. PowerPoint 2016 offre un certain nombre de raccourcis clavier utiles pour effectuer des tâches rapidement. Voici quelques raccourcis pour le formatage PowerPoint commun, l'édition et les tâches de fichiers et de documents. De plus, après avoir créé votre chef-d'œuvre, vous ...