Seznamy personalizovaných doporučení

Intelligent Recommendations poskytuje podnikům sadu nástrojů s relevantními scénáři. Tento článek popisuje Výběry uživatelů nebo personalizovaná doporučení na základě úplné historie uživatele, nedávné aktivity nebo aktivity relace.

Typy personalizovaných doporučení

Scénář Výběr uživatele je styl personalizovaných doporučení, který se zaměřuje na zachycení vkusu nebo preferencí uživatele a umístění uživatele na jedinečná místa v prostoru položek.

Tento scénář vytváří vysoce personalizovaná doporučení v kontextu velkého katalogu položek. Vzdálenost mezi uživatelem a konkrétní položkou rozhoduje o síle vztahu. Vektory, které jsou blíže u sebe, představují silnější spojení.

Výběry uživatele mohou být uživatelům vystaveny různými způsoby, což znamená, že existuje několik variant „výběrů pro vás“.

V závislosti na obchodní strategii a záměru uživatele mohou modely:

• Učit se ze všeho, co je o uživatelích známo.

• Přidávat váhu událostem a odvozovat více z nedávných akcí nebo událostí.

• Zohledňovat pouze nedávné události.

Výběr na základě celé uživatelské historie

Když je výběr založen na historii uživatele, tento scénář bere v úvahu všechny položky z katalogu spotřebované uživatelem v minulosti během několika interakcí se systémem. V maloobchodní vertikále výběry představují celou historii nákupů uživatele. Modely využívají techniky kolaborativního filtrování k doporučení dalších sad položek, které by se uživateli mohly líbit, zcela na základě jeho historie spotřeby, jako je historie nákupů.

Příklady na základě celé uživatelské historie:

• Pro hráče hry Xbox související s tím, co hrají nejčastěji

• Doporučení podobných filmů

• Navrhování nového televizního seriálu

• Dokumentace nebo školicí aktivity, které by uživatel mohl mít zájem číst nebo provádět

Výběr na základě nedávné aktivity

Někdy jsou nedávné interakce se systémem důležitější a představují lepší signál pro personalizovaná doporučení. V tomto případě mohou modely buď vážit nedávné signály, nebo jako výběr (výchozí bod) použít pouze nejnovější interakce.

Příklady na základě nedávné aktivity:

• Častý a dlouhodobý nakupující potravin (měnící se potřeby)

• Doporučení her nebo filmů (změna relevance)

• Generování hudebního seznamu skladeb (měnící se nebo vyvíjející se vkus)

Výběr na základě aktivity v reálném čase

Když jsou výběry založeny na signálech v reálném čase, s aktuální relací jako vstupem, jedná se o scénář s nejkratším časovým rozsahem. Signály přicházejí jako události v reálném čase a spolu s předem trénovanými modely mohou pomoci poskytovat okamžitá doporučení relevantní pro aktuální situaci.

Příklady na základě aktivity v reálném čase:

• Uživatelem nedávno zobrazené položky. Zobrazení seznamu souvisejících položek.

• Uživatel právě dohrál hru. Jaké možnosti dalšího prodeje jsou k dispozici?

• Uživatel si stáhl obsah. Jaký doplňkový obsah zvolit?

• Uživatel čte články. Co by si měl přečíst dále?

Osvědčené postupy při používání personalizovaných doporučení

U personalizovaných doporučení zohledněte osvědčené postupy pro konkrétní situace.

Úplná personalizace seznamu

Často prodejci nepotřebují personalizovaná doporučení pro celý katalog. Místo toho mají na výběr konkrétní katalogovou podmnožinu pro vystavení spotřebitelům. Může být již seřazeno podle priority. V tomto případě může editor nebo kurátor provést mírnou změnu, aby posunul položky, které uživatele zajímají, výše v seznamu. Intelligent Recommendations může tuto funkčnost podporovat „za chodu“ na základě existujících kompletních modelů. Prodejci mohou vyžadovat úplné přeskupení seznamu nebo pouze odstranění položek, které si uživatel již zakoupil. Odebráním uživatelské historie ze seznamu lze libovolnou sadu položek mírně personalizovat a zajistit, že nedojde k plýtvání prostorem pro umístění produktu.

Příklady úplných personalizací seznamu:

• Přizpůsobené seznamy trendů

• Personalizované nabídky, výběr ze zlevněných produktů nebo nových nabídek

Diverzifikace vkusu v personalizovaných doporučeních

Porozumění akcím uživatelů je důležitou rolí pro personalizaci seznamů doporučení. Podobně akce „lajkování“ může mít potenciálně nepřeberné množství různých významů. Ne každá akce lajkování je tedy stejná. Rodič může rád poslouchat bluesová hudební videa a jeho dítě na stejném účtu si užívá sledování videí se startem vesmírné lodi. Naše modely využívají algoritmus pro více osob v Intelligent Recommendations a rozpoznávají, že vkus uživatele se může lišit. Uživatelské interakce jsou rozděleny do shluků (samostatných skupin), aby se výsledky diverzifikovaly. Rozdělení poskytuje návrhy ze dvou samostatných clusterů a vkládá je do výsledků vrácených uživatelům. Tato funkce chrání měnící se vkus uživatelů a zajišťuje, že se zájmy uživatelů nemohou navzájem převálcovat.

Příklady diverzifikace vkusu:

• Různorodý vkus na hudbu nebo filmy

• Nákupy různých kategorií (obuv, šperky, čisticí prostředky)

• Rodinné účty s více než jednou osobou

Viz také

Dolaďte výsledky
Poskytování seznamů doporučení na základě položek
Poskytování seznamů doporučení trendů