Listen mit kontextbezogenen Empfehlungen
Manchmal sind die (personalisierten) Empfehlungen von Element zu Element nicht relevant genug. In diesem Fall können Sie die Interaktionen der Benutzer mit verschiedenen Elementen nutzen, um auch die Beziehungen zwischen den Elementen (im Kontext) zu verstehen. Element-zu-Element-Beziehungen sind eines der wichtigsten Szenarien, für die Empfehlungen verwendet werden können, denn sie ermöglichen Erfahrungen wie:
Einkaufen nach Alternativen
Kontinuierliches Engagement
Entdeckung und Erkundung
Leute mögen auch
Einer der effektivsten Empfehlungskanäle ist die Liste der Personen, die das Produkt auch mögen (oder kaufen), die sich meist auf einer Produktdetailseite befindet.
Personen mögen auch basiert auf expliziten Signalen (transaktional, kürzlich angesehen) und erstellt eine starke Beziehung zwischen Elementen anhand von Informationen über den Konsum anderer Benutzer.
Beispiele für Menschen mögen auch:
Benutzer können neben dem ursprünglichen Produkt, das sie kaufen möchten, auch andere Handtaschen sehen, die sie gekauft haben
Xbox Spiele-Detailseiten schlagen andere Spiele vor, die Benutzer heruntergeladen haben
Schlagen Sie Artikel vor, die andere Benutzer neben dem aktuellen Artikel ebenfalls gelesen haben
Leute sehen auch
Eine andere Möglichkeit, Elemente zu modellieren, ist die Verwendung eines impliziten Ansichtssignals anstelle einer expliziten Aktion wie „Gefällt mir“ oder „Kauf“. Mit Hilfe von Ansichten können wir Benutzern helfen, durch verwandte oder ähnliche Inhalte zu navigieren. Diese Erfahrung lässt es zu, dass Benutzer Inhalte sehen, die von anderen Benutzern zwar angesehen, aber nicht explizit bearbeitet wurden.
Beispiele für Die Leute sehen auch:
Andere Personen, die sich dieses Element oder diesen Service ebenfalls angesehen haben
Nächste zu lesende Artikel
Häufig zusammen eingekauft (Warenkorb)
Häufig zusammen gekauft ist ein Upsell-Szenario, das auf Artikeln basiert, die bereits im Einkaufswagen liegen. Dieses Szenario wird oft als „Candy Rack-Erfahrung“ bezeichnet. Dieses Szenario lernt von anderen, zuvor gekauften (abgeschlossenen) Körben und liefert ergänzende Produkte auf der Grundlage dessen, was sich derzeit im Warenkorb eines Benutzers befindet. Dieses Szenario kann sich von Artikel-zu-Artikel-Beziehungen unterscheiden, da es den gesamten Warenkorb als eine Entität mit Bedeutung analysieren kann.
Beispiele für Häufig zusammen gekauft:
Beim Kauf eines Laptops wird Ihnen möglicherweise ein Ladegerät, ein Surface Pen oder eine Maus vorgeschlagen.
Der Kauf einer Sonnenbrille und eines Schals könnte auf Handschuhe, ein Portemonnaie oder ein Hemd hindeuten
Der Kauf von Eiern und Milch könnte Käse oder Schokolade vorschlagen
Visuell ähnliche Empfehlungen
Bei einigen Elementen könnte die visuelle Ähnlichkeit eher einen zusätzlichen Gesichtspunkt darstellen als eine Lösung für kollaboratives Filtern. Angenommen, ein Kunde sucht ein ähnliches Hemd mit Blumenmuster wie das, das er im Store gesehen hat. Mit Ähnlich aussehen können Intelligent Recommendations Inhaltsbilder verwenden, um Produkte mit ähnlichen visuellen Attributen zu erkennen, die dem Benutzer ein anderes Einkaufserlebnis bieten.
Beispiele für Ähnliche Looks kaufen:
Ähnliche Outfits kaufen
Mode- und Designerkäufe
Vervollständigen Sie das Aussehen
In diesem Bild können Sie sehen, dass die Ergebnisse nun Farbverlaufsmuster ähnlich dem Ausgangselement zurückgeben.
Textuell ähnliche Empfehlungen
Manchmal sehen die Bilder von Inhalten gleich aus (z.B. eine Flasche Wein), und ein Vergleich anhand der visuellen Ähnlichkeit ist nicht möglich. Wenn es eine ausführliche, textliche Beschreibung eines Produkts gibt, kann eine textliche Ähnlichkeit erzeugt werden. In diesem Fall können Intelligent Recommendations ein neuronales Netzwerk darauf trainieren, den geschriebenen Text der Artikelbeschreibungen zu verstehen. Für diese Kunden liefern unsere Modelle relevante Empfehlungen, indem sie Text als einen alternativen Ähnlichkeitsraum verstehen und interpretieren.
Beispiele für Textlich ähnliche Empfehlungen:
Vorschlagen von Wein anhand seiner Beschreibung
Urlaubsorte
Artikel-Empfehlungen
Siehe auch
Feinabstimmung der Ergebnisse
Personalisierte Empfehlungslisten verwenden
Trend-Empfehlungslisten bereitstellen