Wie modelliere ich bessere Empfehlungen in Covid-Zeit?

( Valentina Djordjevic) (10. November 2020)

Benötigt in Die IT-Branche verändert sich ständig. Nachdem Coronavirus uns unerwartet getroffen hat, ist dies mehr denn je der Fall. Um Abstand zueinander zu halten, mussten wir alle unsere Aktivitäten einschränken, die online nicht möglich sind. Das war zunächst schockierend und wir waren nicht auf eine solche Veränderung vorbereitet. Als wir uns daran gewöhnt haben, haben wir festgestellt, dass das Online-Geschäft nicht die Zukunft ist, sondern JETZT.

Benutzer erwarten jetzt zuverlässige E-Commerce-Plattformen mit zufriedenstellender Benutzererfahrung. Angesichts einer großen Anzahl von Anwendern, Produkten und der Konkurrenz ist klar, dass dies wirklich schwer zu erreichen ist. Während der Quarantäne haben wir versucht, das Beste daraus zu machen und etwas zu entwickeln, das für unsere Kunden wertvoll sein kann und sowohl das eBusiness als auch das Kerngeschäft verbessert. Wir haben uns entschlossen, das Empfehlungssysteme der nächsten Generation zu erstellen.

In unseren anderen Blog-Beiträgen finden Sie eine ausführliche Erläuterung der Empfehlungssysteme. Kurz gesagt, Empfehlungssysteme auf E-Commerce-Websites schlagen Kunden neue Artikel vor, indem sie anhand der Analyse des Verhaltens von Personen Präferenzen von Personen erfassen. Empfehlungssysteme können Unternehmen, die sie verwenden, zahlreiche Vorteile bringen:

  1. Benutzer können wünschenswerte Produkte viel schneller
  2. Benutzer können passende Produkte beim Auschecken des Warenkorbs erhalten
  3. Verhindern Sie, dass Benutzer Einkaufswagen

  4. E-Mails auslösen basierend auf Online-Interaktionen
  5. viel bessere Benutzererfahrung , insbesondere mit personalisierten Empfehlungen oder sogar ganzen Seiten

Die Empfehlungssysteme der nächsten Generation

Die E-Commerce-Branche wird in größerem Umfang expandieren. und Empfehlungs-Engines auch. Es wird erwartet, dass die Empfehlungssysteme der nächsten Generation die folgenden Funktionen enthalten:

  • personalisiertere Empfehlungen – Empfehlungssysteme könnten besser in die Datenerkenntnisse der Kunden eintauchen, um ihnen relevantere, kundenorientiertere Empfehlungen zu geben.
  • Kunden über mehrere Kanäle erreichen – Die Empfehlungssysteme könnten künftig die Benutzer über verschiedene Medien wie E-Mails, Social-Media-Kanäle und außerhalb des Standorts besser erreichen Einkaufs-Widgets, mobile Apps usw.
  • Echtzeitempfehlungen – Empfehlungssysteme, die auf Deep Learning basieren, können Geben Sie dem Modell Echtzeitverhalten. Sie zielen darauf ab, einem Benutzer die richtigen Elemente zu dem Zeitpunkt zu präsentieren, an dem sie für sie am nützlichsten sind.

In diesem Wissen haben wir versucht, eine Architektur für eine neue Empfehlungs-Engine zu finden, die dies kann Arbeiten Sie in Echtzeit mit Online-Daten, um Einblicke in Benutzer zu erhalten und bessere und individuellere Empfehlungen zu erhalten. Dieses „Einhorn“ ist das HRNN-Modell .

Sitzungsbasierter Empfehlungsgeber mit HRNN (Hierarchical Recurrent Neural) Netzwerke)

Warum sitzungsbasierte Empfehlung? In vielen Online-Systemen, in denen Empfehlungen angewendet werden, sind die Interaktionen zwischen einem Benutzer und dem System in Sitzungen organisiert, und diese Sitzungen haben das Ziel, ein Produkt oder eine Dienstleistung zu finden. Wenn das Modell weiß, was der Benutzer in einer bestimmten Sitzung beabsichtigt, kann die Leistung von Empfehlungen mit diesen Informationen verbessert werden, und sie sind relevanter. Der Benutzerverlauf ist jedoch auch wichtig. Wenn zwei Benutzer in früheren Sitzungen unterschiedliche Interessen haben, sollten sie in aktuellen Sitzungen unterschiedliche Empfehlungen erhalten, auch wenn die aktuellen Sitzungen gleich sind. Um dies zu erreichen, verwenden wir das HRNN-Modell .

Quelle: https://assets.amazon.science/96/71/d1f25754497681133c7aa2b7eb05/temporal-contextual-recommendation-in-real-time.pdf

In einem In unseren nächsten Blog-Posts werden wir ausführlich über HRNN schreiben. Im Allgemeinen besteht die Idee jedoch darin, diesen Algorithmus anzuwenden, wenn Benutzerkennungen vorhanden sind, und Informationen von der vorherigen Benutzersitzung zur nächsten weiterzugeben, um so die Empfehlungsgenauigkeit zu verbessern.

Quelle: https://arxiv.org/pdf/1706.04148.pdf

Auf dem Bild sehen wir kann zwei Schichten neuronaler Netze sehen. Die obere ist die Darstellung auf Sitzungsebene und enthält in ihren Speicherzellen Informationen zu nur einer Sitzung. Diese Informationen (Ausgabe) werden in das untere Netzwerk eingegeben, das die Darstellung auf Benutzerebene darstellt. Speicherzellen des unteren Netzwerks speichern Informationen über alle Sitzungen für einen Benutzer und geben diese Informationen für jede nächste Sitzung weiter. Mit dieser Architektur haben wir Fälle abgedeckt, in denen wir eine Benutzerkennung haben. Wenn dies nicht der Fall ist, handelt es sich bei dieser Architektur nur um einen sitzungsbasierten Empfehlungsgeber, der nur die aktuellen Sitzungsdaten berücksichtigt. Als Ergebnis erhalten wir für jede Benutzersitzung die besten N Empfehlungen, und genau das wollten wir an erster Stelle.

Wenn Sie daran interessiert sind, wie dies im realen Anwendungsfall implementiert wurde und welche waren Ergebnisse, folgen Sie unserem Blog, wir werden gerne unsere Erfahrungen dazu in unseren zukünftigen Blog-Posts teilen. Sie können uns kontaktieren, um eine ausführlichere Erklärung zu erhalten, oder wenn Sie einen Eindruck von der Verbesserung und Entwicklung von Empfehlungsmotoren der nächsten Generation haben – wir würden uns sehr freuen, diese zu hören. 🙂

Weitere Quellen:

https://arxiv.org/pdf/1706.04148.pdf

https://assets.amazon.science/96/71/d1f25754497681133c7aa2b7eb05/temporal-contextual-recommendation-in-real-time .pdf

http://blog.analyticspath.com/artificial-intelligence/the-next-generation-recommender-systems/

https://www.xenonstack.com/blog/recommender-systems/

https://emerj.com/ai-sector-overviews/use-cases-recommendation-systems/

Ursprünglich veröffentlicht unter https://thingsolver.com am 26. Oktober 2020.