Conceptos básicos de filtros de colaboración basadas en el usuario en el análisis predictivo

Con un enfoque basado en el usuario de filtrado colaborativo en el análisis predictivo, el sistema puede calcular la similitud entre pares de los usuarios mediante el uso de la fórmula similitud del coseno, una técnica muy similar al enfoque basado en el artículo. Por lo general, estos cálculos tardan más en hacer, y pueden necesitar ser computado más a menudo, que los utilizados en el enfoque basado en el artículo. Es porque

• Habría mucho más usuarios que los elementos (idealmente de todos modos).

• Usted esperaría artículos para cambiar con menos frecuencia que los usuarios.

• Con más usuarios y menos cambios en los artículos ofrecidos, puede utilizar muchos más atributos que sólo el historial de compras en el cálculo de similitud usuario.

Un sistema basado en el usuario también puede utilizar algoritmos de aprendizaje automático para agrupar a todos los usuarios que han demostrado que tienen los mismos gustos. El sistema construye barrios de los usuarios que tienen perfiles similares, patrones de compra, o patrones de calificación. Si una persona en un barrio compra y le gusta un elemento, el sistema de recomendación puede recomendar que el tema a todos los demás en el vecindario.

Al igual que con filtrado colaborativo basado en punto, el enfoque basado en el usuario requiere datos suficientes sobre cada usuario para ser eficaz. Antes de que el sistema puede hacer recomendaciones, debe crear un perfil de usuario - por lo que también requiere que el usuario crea una cuenta y estar conectado (o la información de sesión local en el navegador a través de cookies) durante la visualización de una página web.

Inicialmente, el sistema puede pedir al usuario de forma explícita para crear un perfil, profundizar en el perfil haciendo preguntas, y luego optimizar sus sugerencias después de los datos de compra del usuario ha acumulado.

Netflix es un ejemplo de la construcción rápida de un perfil para cada cliente. Aquí está el procedimiento general:

1. Netflix invita a sus clientes a crear colas de las películas que les gustaría ver.

2. Las películas elegidas son analizados para conocer los gustos de los clientes en las películas.

3. El modelo predictivo recomienda más películas para que el cliente pueda ver, a partir de las películas que ya están en la cola.

Una matriz de la muestra de los clientes y sus artículos comprados - es un ejemplo de filtrado colaborativo basado en el usuario. Para simplificar, utilice la regla de que un barrio de usuario se crea a partir de los usuarios que han comprado por lo menos dos cosas en común.

Hay tres barrios de usuario formadas: N1, N2 y N3. Cada usuario en barrios N1 y N2 ha comprado al menos 2 elementos en común con otra persona en el mismo barrio. N3 son los usuarios que aún no han cumplido con los criterios y no recibirán recomendaciones hasta que se compran otros artículos para cumplir los criterios.

He aquí un ejemplo de cómo se puede utilizar este sistema de recomendación:

Desconectado a través de una campaña de marketing por correo electrónico, o si el usuario se encuentra en la página web mientras está conectado El sistema podría enviar anuncios de marketing o formular recomendaciones en el sitio web de la siguiente manera.:

• Tema 3 a cliente B

• Tema 4 al Cliente C

• Artículo 1 al Cliente E

• Tema 3 al cliente F

• Tema 2 al cliente G

• Punto indeterminado de clientes A y D

  Lo ideal es tener un montón más artículos de seis. Y siempre debe haber algunos artículos en el barrio de un cliente que el cliente no ha comprado todavía.

• Punto indeterminado de clientes H e I

  En este caso, no hay datos suficientes para servir como base de una recomendación.

Una diferencia muy importante es que, dado que cada cliente pertenece a un grupo, cualquier compra futura de que un miembro hace se recomendará a los demás miembros del grupo hasta que se readiestrados el filtro. Así los clientes A y D se comienza a recibir recomendaciones muy rápidamente, puesto que ya pertenecen a un barrio y seguramente los otros vecinos van a comprar algo pronto.

Por ejemplo: si el Cliente B compra del artículo 6, el sistema recomendador recomendará el tema 6 a cada uno en N1 (cliente A, B, E, F y G).

Cliente F potencialmente puede pertenecer a cualquiera de N1 o N2 barrio en función de cómo se implementa el algoritmo de filtrado colaborativo.

Clientes H e I son ejemplos de la problema de arranque en frío: El cliente no ha generado suficientes datos para ser agrupados en un barrio de usuario. En ausencia de un perfil de usuario, un nuevo cliente con muy poco o ningún historial de compras - o que sólo compra artículos oscuros - siempre planteará el problema de arranque en frío para el sistema, independientemente de qué enfoque de filtrado colaborativo está en uso.

Cliente I ilustra un aspecto del problema de arranque en frío que es única para el enfoque basado en el usuario. El enfoque basado en el artículo sería empezar a encontrar otros artículos similares para el elemento que el cliente bought- entonces, si otros usuarios inician la compra de artículos 6, el sistema puede empezar a hacer recomendaciones.

No hay nuevas compras necesitan ser hechas por el por el usuario el enfoque basado en elemento puede comenzar a recomendar. En un sistema basado en el usuario, sin embargo, el Cliente I tiene para hacer compras adicionales con el fin de pertenecer a un barrio de usuarios- el sistema no puede hacer ninguna recomendación aún.

Bueno, hay un supuesto en el trabajo en estos ejemplos simples - a saber, que el cliente no sólo compró el artículo pero le gusta lo suficiente como para hacer compras similares. ¿Qué pasa si el cliente no le gustó el artículo? El sistema necesita, al menos, para producir una mayor precisión en sus recomendaciones.

Puede agregar un criterio para el sistema de recomendación a las personas del grupo que dieron clasificaciones similares a los artículos que compraron. Si el sistema encuentra clientes que gusta y disgusta de los mismos elementos, entonces el supuesto de alta precisión es válida. En otras palabras, hay una alta probabilidad de que los clientes comparten los mismos gustos.