Listes de recommandations contextuelles

Parfois, les recommandations (personnalisées) d’article à utilisateur ne sont pas assez pertinentes. Dans ce cas, vous pouvez utiliser les interactions de l’utilisateur avec différents articles pour également en savoir plus sur les relations article à article (contextuel). Les relations article à article sont l’un des scénarios les plus importants que les recommandations peuvent servir, car elles alimentent des expériences telles que :

• Achats par alternatives

• Engagement continu

• Découverte et exploration

Autres contenus plébiscités

L’un des canaux de recommandations les plus efficaces est la liste Autres contenus plébiscités (ou acheter), le plus souvent trouvé sur une page Détails du produit.

Autres contenus plébiscités est basé sur des signaux explicites (transactionnels, récemment consultés) et crée une relation forte entre les articles en utilisant des informations sur la consommation des autres utilisateurs.

Exemples de Autres contenus plébiscités :

• Les acheteurs peuvent voir d’autres sacs à main que les utilisateurs ont également achetés en plus du produit d’origine qu’ils envisagent d’acheter

• Les pages de détails des jeux Xbox suggèrent d’autres jeux que les utilisateurs ont téléchargés

• Suggérer des articles que d’autres utilisateurs ont également lus en plus de l’article actuel

Autres contenus consultés

Une autre façon de modéliser des articles consiste à utiliser un signal de vue implicite au lieu d’une action explicite telle qu’un J’aime ou acheter. À l’aide de vues, nous pouvons aider les utilisateurs à naviguer dans un contenu connexe ou similaire. Cette expérience permet aux utilisateurs de voir le contenu qui a été consulté mais avec lequel d’autres utilisateurs n’ont pas explicitement interagi.

Exemples de Autres contenus consultés :

• D’autres personnes qui ont également consulté cet article ou service

• Autres articles à lire

Fréquemment achetés ensemble (panier)

Fréquemment achetés ensemble est un scénario de vente incitative basé sur des articles déjà placés dans le panier. Ce scénario est souvent appelé « expérience de casier à bonbons ». Ce scénario apprend d’autres paniers précédemment achetés (terminés) et renvoie des produits complémentaires en fonction de ce qui se trouve actuellement dans le panier d’un utilisateur. Ce scénario peut être différent des relations d’article à article, car il peut analyser l’ensemble du panier en tant qu’entité ayant un sens.

Exemples de Fréquemment achetés ensemble :

• L’achat d’un ordinateur portable peut suggérer un chargeur, un stylet Surface ou une souris

• L’achat de lunettes de soleil et d’une écharpe peut suggérer des gants, un sac à main ou une chemise

• L’achat d’œufs et de lait peut suggérer du fromage ou des chocolats

Recommandations visuellement similaires

Pour certains articles, la similitude visuelle peut fournir un point de vue supplémentaire plutôt qu’une solution de filtrage collaboratif. Supposons qu’un consommateur recherche un motif de chemise à fleurs similaire à celui qu’il a vu dans le magasin. Avec Acheter des aspects similaires, Recommandations intelligentes peut utiliser des images de contenu pour détecter des produits avec des attributs visuels similaires qui offrent une expérience d’article à article différente à l’utilisateur.

Exemples de Acheter des aspects similaires :

• Acheter des aspects similaires

• Shopping mode et créateur

• Terminez l’aspect

Dans cette image, vous pouvez voir que les résultats renvoient désormais des motifs de dégradé similaires à l’article de départ.

Recommandations textuellement similaires

Parfois, les images de contenu peuvent se ressembler (comme une bouteille de vin) et la comparaison par similitude visuelle n’est pas applicable. Quand il existe une description textuelle riche d’un produit, une similitude textuelle peut être générée. Dans ce cas, Recommandations intelligentes peut entraîner un réseau neuronal à comprendre le texte écrit utilisé pour les descriptions d’articles. Pour ces clients, nos modèles fournissent des recommandations pertinentes en comprenant et en interprétant le texte comme un espace de similarité alternatif.

Exemples de Recommandations textuellement similaires :

• Suggérer un vin par sa description

• Lieux de vacances

• Recommandations d’articles

Voir aussi

Affiner les résultats
Utiliser des listes de recommandations personnalisées
Fournir des listes des tendances de recommandations