Holiday Shopping: Shop Smart met Amazon's Recommendation Engine

Met Kerstmis worstelen velen van ons met het kiezen van het meest geschikte geschenk voor onze geliefden. Het jagen op cadeaus voor kerst kan dagen van planning vereisen, soms weken. Afgezien van zijn bepaalde leuke en vreugdevolle deel, kan kerstinkopen een tijdrovende en stressvolle ervaring zijn .

Gelukkig zijn er in het tijdperk van geavanceerde technologie vrij beschikbare tools die het winkelen veel efficiënter en productiever kunnen maken. In deze post zal ik je laten zien hoe een van 's werelds grootste retailersite, Amazon.com je kan helpen bij het vinden van de beste cadeau's voor je vrienden en familie binnen een redelijke tijdspanne met behulp van zijn slimme aanbevelingsengine.

Gepersonaliseerde gebruikerservaring

'S Werelds meest succesvolle websites zoals Amazon, Facebook en YouTube zijn zo populair omdat ze iedereen een gepersonaliseerde gebruikerservaring bieden .

Het personaliseren van gebruikerservaring betekent in feite dat bedrijven hun gebruikers observeren terwijl zij door hun site navigeren en er verschillende acties op uitvoeren . Ze verzamelen de gegevens in overzichtelijke databases en analyseren deze.

Is dat niet schadelijk voor de privacy? Vanuit een bepaald gezichtspunt, ja dat is het; deze bedrijven weten misschien meer over ons dan onze beste vrienden of zelfs onszelf. Aan de andere kant bieden ze ons een service die ons leven gemakkelijker kan maken en onze beslissingen beter geïnformeerd.

Als we het vanuit een transactioneel oogpunt bekijken, "betalen" we voor een verbeterde gebruikerservaring en comfort, met een deel van onze privacy.

Juridische gevechten tussen aanbieders van online content en autoriteiten zijn natuurlijk constant, denk maar aan de niet zo geliefde EU-cookiewet, maar omdat opt-out steeds minder een realistische optie is voor iemand die van een 21e-eeuwse levensstijl wil genieten, kan het handig om te begrijpen hoe gepersonaliseerde aanbevelingen achter de schermen werken.

De technologie achter Amazon's aanbevelingen

Tijdens het navigeren op de website van Amazon kunnen we overal gepersonaliseerde aanbevelingen vinden onder rubrieken als "Nieuw voor jou", "Aanbevelingen voor jou in de Kindle Store", "Aanbevolen aanbevelingen", "Klanten die dit product hebben gekocht kochten ook" en nog veel meer.

Aanbevelingen zijn geïntegreerd in elk onderdeel van het aankoopproces, van het opzoeken van het product tot het afrekenen . Aangepaste aanbevelingen worden mogelijk gemaakt door een intelligente aanbevelingsengine die gebruikers steeds beter leert kennen terwijl ze de site gebruiken.

Om aanbevelingssystemen beter te begrijpen, is het een goed idee om erover na te denken als geavanceerde versies van zoekmachines . Wanneer we een artikel op Amazon opzoeken, retourneren het niet alleen de resultaten, maar voorspellen we ook welke producten we nodig hebben en geven we aanbevelingen voor ons weer.

Recommender-systemen gebruiken verschillende soorten algoritmen voor het leren van machines en ze zijn commercieel uitvoerbaar geworden met de evolutie van big data-technologie. Aanbevelingsengines zijn gegevensgestuurde producten, omdat ze de meest relevante kleine dataset in de enorme oceaan van big data moeten vinden .

De computationele taak die aanbevelingssystemen moeten oplossen, is de combinatie van voorspellende analyse en filtering

Ze gebruiken een van de volgende benaderingen:

(1) Collaborative Filtering, dat op zoek is naar overeenkomsten tussen samenwerkingsgegevens zoals aankopen, beoordelingen, likes, upvotes, downvotes in:

• ofwel de user user-matrix, waarbij aanbevelingen worden gegenereerd op basis van de keuzes van andere klanten die van vergelijkbare, gekochte, beoordeelde, enz. vergelijkbare producten houden,
• of de productproductmatrix, waarbij de aanbevelingsengine producten retourneert die vergelijkbaar zijn in aankopen, voorkeuren, beoordelingen, enz. aan de producten die de huidige gebruiker eerder heeft gekocht, beoordeeld, gewaardeerd

Amazon gebruikt het laatste, omdat het geavanceerder is (zie in detail in het volgende gedeelte).

(2) Op inhoud gebaseerde filtering, die voorspellingen doet op basis van de gelijkenissen van objectieve kenmerken van producten zoals specificaties, beschrijvingen, auteurs en ook op de eerdere voorkeuren van de gebruiker (die hier niet worden vergeleken met de voorkeuren van andere gebruikers) .

(3) Hybride filtering, waarbij een combinatie van collaboratieve en op inhoud gebaseerde filtering wordt gebruikt.

De productproductmatrix

De traditionele manier van collaboratief filteren maakt gebruik van de user-user-matrix en boven een bepaalde hoeveelheid gegevens heeft het serieuze prestatieproblemen.

Om overeen te komen met de voorkeuren, beoordelingen, aankopen van alle gebruikers en degene die het dichtst bij de actieve gebruiker staan, moet de aanbevelingsengine elke gebruiker in de database analyseren en vergelijken met de huidige.

Als we nadenken over de grootte van Amazon, is het duidelijk dat dit soort filteren niet haalbaar is voor hen, dus ontwikkelden de technici van Amazon een geüpgradede versie van de vorige methode en noemden deze de item-to-item collaboratieve filtering .

Gezamenlijke filtering op item-to-point houdt samenwerkings succes als de benchmark in plaats van de objectieve eigenschappen van een product (zie filteren op basis van inhoud hierboven), maar voert de query's in de productproductmatrix uit, wat betekent dat gebruikers niet worden vergeleken het vergelijkt producten.

De aanbevelingsengine kijkt naar de producten die we hebben gekocht, beoordeeld, op onze verlanglijstje geplaatst, becommentarieerd, enzovoort. Tot dusver zoekt de andere items in de database op die vergelijkbare tarieven en aankopen hebben, worden ze samengevoegd en worden de producten geretourneerd. beste overeenkomsten als aanbevelingen.

Hoe u betere aanbevelingen kunt krijgen

Terug naar kerstinkopen, is het mogelijk om de aanbevelingsmotor van Amazon te trainen om betere resultaten te krijgen . Als u slechts een vaag idee hebt van wat u voor een geliefde kunt kopen, hoeft u tijdens het browsen niets anders te doen dan sporen achter te laten op de website.

In het belang van dit bericht heb ik dit zelf uitgeprobeerd.

Mijn uitgangspunt was dat ik wat kleinere kantoormeubelen wilde vinden, maar niet precies wist wat. Dus ik voerde een aantal verwante sleutelwoorden in de zoekbalk in en begon door de resultaten te bladeren. Ik heb de items die ik leuk vond in mijn verlanglijstje geplaatst, heb een aantal recensies beoordeeld als 'nuttig', heb wat kantoormeubilair in mijn winkelmandje gestopt.

Als ik ooit een vergelijkbaar item op Amazon heb gekocht, zou het best handig zijn geweest om er een recensie over te schrijven, maar eigenlijk kon ik dat niet doen (je kunt alleen recensies schrijven over producten die je al hebt gekocht).

Na ongeveer 10-15 minuten stopte ik en klikte ik op mijn Aanbevelingspagina's (die te vinden zijn onder het menupunt "[Uw naam] Amazon]. Vóór het experiment had ik alleen boeken op deze pagina, want dat is wat ik meestal op Amazon koop. Na mijn uitgebreide opzoekingen zijn de boeken verdwenen en vervangen door cool kantoormeubilair, zoals je hieronder kunt zien.

De motor afstellen

Het is mogelijk om de aanbevelingsengine verder te trainen, aangezien onder elke aanbeveling een link "Waarom aanbevolen?" Staat . Onder mijn aanbevelingen zie je een vuilnisemmer (laatste item), die geen kantoormeubilairproduct is en een die ik niet wil kopen voor Kerstmis.

Dus laten we zien waarom het hier is.

Nadat Amazon op de link heeft geklikt, wordt me verteld dat dit is aanbevolen omdat ik een bepaalde bureaustoel in mijn mand heb gezet. Wel, dat is een interessante connectie, maar ik heb het nog steeds niet nodig.

Ik heb hier twee opties. Ik kan het selectievakje 'Niet geïnteresseerd' naast de prullenbak aanvinken of 'Niet gebruiken voor aanbevelingen' naast de bureaustoel. Ik vink het selectievakje 'Niet geïnteresseerd' aan.

En op dit punt is de vuilniszak verdwenen, vervangen door een ander aanbevolen product, wat betekent dat ik een stap dichter bij het perfecte geschenk ben.

Jammer als ik in de toekomst die exacte vuilniszak ooit nog nodig zal hebben. Oh wacht. Ik heb de oplossing daarvoor gevonden. Onder het menupunt "Verbeter uw aanbevelingen", kan ik de items bewerken die ik heb gemarkeerd met het label "Niet geïnteresseerd"

Wanneer ik mijn ingebeelde geschenkjacht heb gevonden, kan ik eenvoudig de producten uitschakelen die ik misschien in de toekomst wil zien in mijn aanbevelingen.