Çözüm fikirleri
Bu makale bir çözüm fikridir. İçeriği olası kullanım örnekleri, alternatif hizmetler, uygulama konuları veya fiyatlandırma yönergeleri gibi daha fazla bilgiyle genişletmemizi isterseniz GitHub geri bildirimi sağlayarak bize bildirin.
Öneriler birçok işletme için önemli bir gelir sürücüsü olup perakende, haber ve medya gibi farklı sektörlerde kullanılmaktadır. Müşteri etkinliğiyle ilgili büyük miktarda verinin kullanılabilirliği sayesinde makine öğrenmesini kullanarak yüksek oranda ilgili öneriler sağlayabilirsiniz.
Mimari
Bu mimarinin PowerPoint dosyasını indirin.
Veri akışı
Mağazası. Azure Data Lake Depolama, kullanıcı ve tüketici davranışı hakkında büyük miktarda veri depolar.
Okuma. Azure Databricks, Azure Data Lake Depolama'a bağlanır ve buradan okur. Databricks'e veri alımı, modeli kaydetmek için ön işleme ve eğitim sağlar.
Preprocess. Veri ön işleme, öneriler sistem modeline beslenecek verileri temizler, dönüştürür ve hazırlar.
Tren. Eğitimin iki adımı vardır: özellik mühendisliği ve model eğitimi. Azure Databricks, model eğitimi sırasında en iyi öneri modelini eğitmek ve davranışını açıklamak için önceden işlenmiş veri kümesini kullanır.
İşlem sonrası. Postprocessing, en iyi performansı gösteren modeli temel alarak model değerlendirmesi ve seçimi içerir.
Dağıtma. Azure Databricks modeli korur. Toplu yönetilen uç noktalar modeli ön uç ekrana maruz kalma amacıyla dağıtır. Model dağıtılırken yeni verilere yeni uç noktalar üzerinden erişilebilir. Batch ve neredeyse gerçek zamanlı öneriler desteklenir.
Yazmak. Web uygulamaları gibi kullanıcı arabirimleri depolanan model sonuçlarını kullanabilir. Sonuçlar Azure Synapse'e yazılır ve yakalanır. Model toplu çıkarım olarak çalışır ve sonuçları ilgili veri deposunda depolar.
Bileşenler
Bu mimari aşağıdaki bileşenlerden yararlanıyor:
Azure Data Lake Depolama, büyük veri analizine ayrılmış ve dosya sistemi semantiği, dosya düzeyinde güvenlik ve ölçeklendirme sağlayan bir depolama özellikleri kümesidir.
Azure Databricks , model eğitimi ve değerlendirmesi için yönetilen bir Apache Spark kümesidir.
Azure Synapse Analytics , yüksek düzeyde paralel işleme mimarisiyle esnek ve bağımsız olarak ölçeklendirmenize, hesaplamanıza ve depolamanıza olanak tanıyan hızlı, esnek ve güvenilir bulut veri ambarıdır.
Senaryo ayrıntıları
Bu makalede açıklanan yaklaşım, içerik tabanlı öneri sistemi oluşturmaya odaklanır. Öneri sistemleri oluşturmanın en iyi yöntemleri hakkında daha fazla bilgi için GitHub'da Önerilenler belgelerine ve örneklerine bakın.
Bu örnek senaryo, müşterileriniz için içerik tabanlı kişiselleştirmeyi otomatikleştirmek için makine öğrenmesini nasıl kullanabileceğinizi gösterir. Çözüm, kullanıcının bir öğeyle ilgilenme olasılığını tahmin eden bir modeli eğitmek için Azure Databricks'i kullanır. toplu yönetilen uç noktalar bu modeli tahmin hizmeti olarak dağıtır. Bu hizmeti, bir kullanıcının ilgilenme olasılığı en yüksek olan içeriğe göre öğeleri sıralayarak kişiselleştirilmiş öneriler oluşturmak için kullanabilirsiniz.
Olası kullanım örnekleri
Bu çözüm perakende sektörü için idealdir. Bu, aşağıdaki kullanım örnekleriyle ilgilidir:
- Web siteleri ve mobil uygulamalar için içerik önerileri
- E-ticaret siteleri için ürün önerileri
- Web siteleri için görüntülenen reklam önerileri
Öneri sistemi türleri
Üç ana öneri sistemi türü vardır:
İşbirliğine dayalı filtreleme. İşbirliğine dayalı filtreleme, müşteri davranışındaki benzer desenleri tanımlar ve diğer benzer müşterilerin etkileşimde olduğu öğeleri önerir. İşbirliğine dayalı filtrelemenin avantajlarından biri, veri oluşturma kolaylığıdır; kullanıcılar öğe ve ürün listeleriyle etkileşim kurarken veri oluşturur. Ayrıca müşteriler, geçmiş etkileşimlerinden seçilenler dışındaki yeni öğeleri ve ürünleri keşfedebilir. Ancak işbirliğine dayalı filtrelemenin dezavantajı soğuk başlangıç sorunudur: Kullanıcılar ve yeni teklifler arasında etkileşim sayısı az olduğundan, yeni eklenen öğeler tamamen müşteri etkileşimlerine bağlı bir algoritma tarafından önerilmez.
İçerik tabanlı. İçerik tabanlı öneri, müşteri tercihlerini öğrenmek için öğelerle ilgili bilgileri kullanır ve bir müşterinin daha önce etkileşimde olduğu öğelerle özellikleri paylaşan öğeler önerir. İçerik tabanlı öneri sistemleri, soğuk başlangıç sorunu nedeniyle engellenmez ve yeni öğelerin kullanıma sunulmasına uyum sağlayabilir. Ancak öneriler, bir müşterinin etkileşimde olduğu özgün öğenin özellikleriyle sınırlıdır.
Karma yöntem. Öneri sistemleri oluşturmanın bir diğer yaklaşımı da içerik tabanlı ve işbirliğine dayalı filtrelemeyi karıştırmaktır. Bu sistem, kullanıcı derecelendirmelerine ve öğeler hakkındaki bilgilere göre öğeleri önerir. Karma yaklaşım hem işbirliğine dayalı filtreleme hem de içerik tabanlı öneri avantajlarına sahiptir.
Katkıda Bulunanlar
Bu makale Microsoft tarafından yönetilir. Başlangıçta aşağıdaki katkıda bulunanlar tarafından yazılmıştır.
Asıl yazar:
- Scott Graham | Sorumlu Veri Bilimci
Diğer katkıda bulunan:
- Andrew Ajaluwa | Program Yöneticisi
- Gary Moore | Programcı/Yazar
Genel olmayan LinkedIn profillerini görmek için LinkedIn'de oturum açın.
Sonraki adımlar
Kendi öneri sisteminizi oluşturmanıza yardımcı olacak diğer örnekleri, öğreticileri ve araçları görmek için bkz . GitHub deposu Microsoft Recommenders.
Microsoft Azure blogundaki bir gönderi olan Azure Machine Learning hizmeti ile önerilen sistemler oluşturma bölümüne bakın.