プロンプトを発行し、イベントを予測することにより、人工知能は、ユーザーの好みに焦点を合わせて、ユーザーの要求に適切な商品やサービスのローテーションのためのレコメンデーション システムを形成します。アイデアによると、このプロセスはほぼ瞬時に発生する必要があります。つまり、カテゴリ別の製品の配布、関連する行に基づく関連製品のプールの自動作成、および重要な日付の操作です。しかし実際には、人工知能はユーザーの好みの変化に対応できず、以前の要求に基づいて製品をランク付けするときに、しばしば間違いを犯します。その結果、市場では大人の男性用の人形用の服が販売されています。この服は、彼のカードを使って女子高生の娘が注文したもので、子供たちには新しいブランドの機械油とビジネスセミナーの申し込みが「贈り物として」与えられます。
クライアントを打つ
多くの場合、システムは不正やハッキングに抵抗しないアルゴリズムを使用して、誤った推奨事項や無関係な推奨事項を大量に生成します。したがって、オンライン ストアは、生成された推奨事項の効率が悪いという問題に直面しています。
これが起こらないようにするには、ニューラル ネットワークの作成者は、変化の傾向とユーザーの好みを正確に特定するという問題を解決する必要があります。つまり、レコメンデーション エンジンは、製品やサービスの提供に対する反応を予測するだけでなく、(ユーザーの反応に応じて) 類似または代替のオプションも提供することを学習する必要があります。
電子商取引では、別々に機能するコラボレーション システム、コンテンツ システム、およびエキスパート レコメンダー システムが失敗する可能性があり、ハイブリッドを作成する必要があります。柔軟なハイブリッド推奨アルゴリズムは、時間の経過とともに複数のチャネルからのデータを結合します。加重、増強、混合、ランダムのテクニックを同時に適用できます。
協調フィルタリングのアルゴリズムはこんな感じ。嗜好行列と余弦尺度を使用して類似性を判断する機能を考えると、好みが似ているユーザーの数を選択する必要があります。各ユーザーの余弦測定値を計算し、その評価に結果の測定値を掛けて、各製品の校正された評価の合計を計算します。アルゴリズム式はこんな感じ。
sim 関数は、2 人のユーザーの類似度の尺度です。
U — .
r — .
k — , :
rec = makeRecommendation (‘ , (), , ).
, , , , . – . , «» , . , – . , , .
, . 5%, 12%. , , . , , . , , , .
, . , . , , , .
, , . , . , . json.
, , , «» . .
, . «» , - , .
, , , - , , , . , , – - . , , .