Listes de Recommandations personnalisées
Recommandations intelligentes fournit aux entreprises une boîte à outils de scénarios pertinents. Cet article décrit les Choix de l’utilisateur, ou des recommandations personnalisées basées sur l’historique complet de l’utilisateur, l’activité récente ou l’activité de la session.
Types de recommandations personnalisées
Le scénario Choix de l’utilisateur est un style de recommandations personnalisées qui se concentre sur la capture des goûts ou des préférences de l’utilisateur et positionne un utilisateur à des emplacements uniques dans l’espace de l’article.
Ce scénario crée des recommandations hautement personnalisées dans le contexte d’un grand catalogue d’articles. La distance entre un utilisateur et un article particulier décide de la force de sa relation. Les vecteurs plus proches les uns des autres représentent une connexion plus forte.
Les choix des utilisateurs peuvent être exposés aux utilisateurs de diverses manières, ce qui signifie qu’il existe plusieurs saveurs de "choix pour vous".
Selon la stratégie commerciale et l’intention de l’utilisateur, les modèles peuvent :
Apprendre de tout ce que l’on sait sur les utilisateurs.
Ajouter du poids aux événements, en déduisant davantage d’actions ou d’événements récents.
Ne considérer que les événements récents.
Choix basés sur l’historique complet de l’utilisateur
Quand les sélections sont basées sur l’historique de l’utilisateur, ce scénario prend en considération tous les articles du catalogue consommés par l’utilisateur dans le passé au cours de multiples interactions avec le système. Dans le secteur de la vente au détail, les retraits comprennent l’intégralité de l’historique d’achat d’un utilisateur. Les modèles utilisent des techniques de filtrage collaboratif pour recommander le prochain ensemble d’articles qu’un utilisateur pourrait apprécier, en se basant entièrement sur son historique de consommation, tel que l’historique d’achat.
Exemples basés sur l’historique complet de l’utilisateur :
Pour les joueurs, les jeux Xbox liés à ce qu’ils jouent le plus souvent
Recommander des films similaires
Suggérer une nouvelle série télévisée
Documentation ou activités de formation qu’un utilisateur pourrait avoir intérêt à lire ou à poursuivre
Choix basés sur l’activité récente
Parfois, les interactions récentes avec le système sont plus importantes et représentent un meilleur signal pour des recommandations personnalisées. Dans ce cas, les modèles peuvent soit pondérer les signaux récents, soit n’utiliser comme germe que les interactions les plus récentes (point de départ).
Exemples basés sur l’activité récente :
Acheteur fréquent et de longue date (besoins changeants)
Recommandations de jeux ou de films (modification de la pertinence)
Génération de playlist musicale (goût changeant ou évolutif)
Choix basés sur l’activité en temps réel
Quand les sélections sont basées sur des signaux en temps réel, avec la session en cours en entrée, il s’agit d’un scénario avec la plage de temps la plus courte. Les signaux se présentent sous forme d’événements en temps réel et, avec des modèles pré-entraînés, peuvent aider à fournir des recommandations instantanées pertinentes à la situation actuelle.
Exemples basés sur l’activité en temps réel :
Articles consultés récemment par l’utilisateur. Afficher une liste d’articles liés.
L’utilisateur vient de finir de jouer à un jeu. Quelles opportunités de vente incitative sont disponibles ?
Contenu téléchargé par l’utilisateur. Quel contenu supplémentaire choisir ?
L’utilisateur lit des articles. Que faut-il lire ensuite ?
Bonnes pratiques au moment de l’utilisation de recommandations personnalisées
Avec des recommandations personnalisées, notez les meilleures pratiques pour des situations spécifiques.
Personnalisation de la liste complète
Souvent, les détaillants n’ont pas besoin de recommandations personnalisées pour un catalogue entier. Au lieu de cela, ils ont un sous-ensemble de catalogue spécifique à choisir pour l’exposition aux consommateurs. Il est peut-être déjà commandé par priorité. Dans ce cas, un éditeur ou un conservateur peut appliquer un léger remaniement pour pousser les éléments d’intérêt des utilisateurs plus haut dans la liste. Les recommandations intelligentes peuvent prendre en charge cette expérience "à la volée", sur la base de modèles complets existants. Les détaillants peuvent nécessiter un remaniement complet de la liste ou uniquement supprimer que les articles qu’un utilisateur a déjà achetés. En supprimant l’historique des utilisateurs d’une liste, n’importe quel ensemble d’articles peut être légèrement personnalisé, garantissant qu’il n’y a pas d’espace gaspillé pour le placement de produit.
Exemples de personnalisations de liste complète :
Listes de tendances personnalisées
Offres personnalisées, choix de produits à prix réduit ou de nouvelles offres
Diversifier le goût dans des recommandations personnalisées
La compréhension des actions des utilisateurs est un rôle important pour la personnalisation des listes de recommandations. De même, l’action "j’aime" peut potentiellement avoir une multitude de significations différentes. Par conséquent, toutes les actions similaires ne sont pas identiques. Un parent peut aimer écouter des vidéos de musique blues et son enfant sur le même compte aime regarder des vidéos de lancement de vaisseau spatial. Nos modèles utilisent l’algorithme à personnalités multiples de Recommandations intelligentes et reconnaissent que les goûts d’un utilisateur peuvent varier. Les interactions des utilisateurs sont divisées en clusters (groupes séparés) pour diversifier les résultats. Le fractionnement fournit des suggestions à partir de deux clusters distincts et les imbrique dans les résultats renvoyés aux utilisateurs. Cette fonctionnalité protège les goûts changeants des utilisateurs et garantit que les intérêts des utilisateurs ne peuvent pas l’emporter les uns sur les autres.
Exemples de goûts diversifiés :
Goût divers dans la musique ou les films
Achats dans diverses catégories (chaussures, bijoux, produits de nettoyage)
Comptes familiaux avec plus d’une personne
Voir aussi
Affiner les résultats
Utiliser des listes de recommandations personnalisées
Fournir des tendances de listes de recommandations