カスタマイズしたレコメンデーションのリスト
Intelligent Recommendations は関連シナリオのツールキットを企業に提供します。 この記事では、ユーザー ピック、または完全なユーザー履歴、最近の活動、セッション活動に基づくパーソナライズしたレコメンデーションについて説明します。
パーソナライズしたレコメンデーションの種類
ユーザー ピック シナリオは、ユーザーの好みや嗜好をキャプチャすることに特化したパーソナライズしたレコメンデーションのスタイルであり、品目空間内の一意の場所にユーザーを配置します。
このシナリオでは、大規模な品目カタログのコンテキストで高度にパーソナライズしたレコメンデーションを作成します。 ユーザーと特定品目との距離が、そのリレーションシップの強さを決定します。 互いに接近しているベクトルは、より強いつながりを表します。
ユーザー ピックはさまざまな方法でユーザーに公開できます。つまり "あなたに合わせたピック" には複数の種類があります。
ビジネス戦略とユーザーの意図に応じて、モデルは次のことができます。
ユーザーについて把握したすべての情報から学習します。
イベントに重みを追加して、最近のアクションやイベントからより多くを推測します。
最近のイベントのみを考慮します。
ユーザー履歴全体に基づくピック
ピックがユーザー履歴に基づく場合、システムとの複数の対話で過去にカタログからユーザーが消費したすべての品目を、このシナリオは考慮します。 小売業界では、ピックにはユーザーの購入履歴全体が含まれます。 モデルは、コラボレーション フィルター技術を使用して、購入履歴などの消費履歴に完全に基づき、ユーザーが好みそうな次の品目セットを推奨できます。
ユーザー履歴全体に基づく例:
ゲーマーの場合、最も頻繁にプレイするタイトルと関連する Xbox ゲーム
似たような映画を推薦する
新しいテレビ シリーズを提案する
読んだり購入したりする興味をユーザーが持っている可能性があるドキュメントやトレーニング活動
最近の活動に基づくピック
場合によっては、システムとの最近の相互作用がより重要であり、これはパーソナライズしたレコメンデーションのより適切なシグナルを表します。 この場合、モデルは最近のシグナルに重みを付けるか、最新の対話のみをシード (開始点) として使用できます。
最近の活動に基づく例:
頻繁かつ長期的な食料品の買い物客 (ニーズの変化)
ゲームや映画のレコメンデーション (関連性の変化)
音楽プレイリストの生成 (嗜好の変化や進化)
リアルタイム活動に基づくピック
ピックがリアルタイム シグナルに基づき、現在のセッションを入力として使用する場合、これは時間範囲が最も短いシナリオです。 このシグナルはトレーニング済みのモデルとともにリアルタイム イベントとして受信し、現在の状況に関連する即時のレコメンデーションを提供できます。
リアルタイム活動に基づく例:
最近ユーザーが表示した品目。 関連する品目のリストを表示します。
ユーザーがゲーム プレイをちょうど終了しました。 どのようなアップセル営業案件を利用できるか。
ユーザーがダウンロードしたコンテンツ。 選択するべき追加コンテンツは何か。
ユーザーが記事を読んでいます。 次に何を読むべきか。
パーソナライズしたレコメンデーションを使用する際のベスト プラクティス
パーソナライズしたレコメンデーションで、特定の状況のベスト プラクティスに注意します。
完全なリストのパーソナライズ
多くの場合、カタログ全体に対してパーソナライズしたレコメンデーションを小売業者は必要としません。 代わりに、消費者に公開するために選択する特定のカタログ サブセットがあります。 これはすでに優先順位ごとに並べ替えられている可能性があります。 この場合、編集者やキュレーターはわずかな再シャッフルを適用して、ユーザーがより関心を持つ品目をリストの上位にプッシュできます。 Intelligent Recommendations は、既存の完全なモデルに基づいて、このエクスペリエンスを "即座に" サポートできます。 小売業者ではリストの完全な再シャッフルが必要な場合も、ユーザーがすでに購入した品目のみを削除するのみの場合もあります。 リストからユーザー履歴を削除することで、製品の配置で店舗スペースを無駄にしないように、品目セットをわずかにパーソナライズできます。
完全なリストのパーソナライズの例:
パーソナライズしたトレンド リスト
割引製品や新しいお得情報から選択し、パーソナライズしたお得情報
パーソナライズしたレコメンデーションの幅広い嗜好
レコメンデーション リストのパーソナライズではユーザー アクションの理解が重要な役割を担います。 同様に "いいね" アクションは、さまざまな意味を潜在的に含む可能性があります。 したがって、すべての "いいね" アクションが同等とは限りません。 親はブルースの音楽ビデオを聞くことを好み、同じアカウントを使用する子供は宇宙船の打ち上げビデオを楽しみます。 当社のモデルは、Intelligent Recommendations の複数のペルソナ アルゴリズムを使用し、ユーザーの嗜好が異なる可能性を認識します。 ユーザー対話は、結果を多様化するためにクラスター (個別のグループ) に分割されます。 この分割により、2 つの個別のクラスターから提案が提供され、ユーザーに返される結果にそれらがインターリーブされます。 この機能は、ユーザーの嗜好の変化を保護し、ユーザーの複数ある関心が互いに圧倒することを防ぎます。
嗜好を多様化させる例:
音楽や映画の嗜好を多様化させます
さまざまなショッピング カテゴリ (靴、ジュエリー、クリーニング用品)
複数の人が使用する家族アカウント