Listas de recomendaciones contextuales
A veces, las recomendaciones de artículo a usuario (personalizadas) no son lo suficientemente relevantes. En este caso, puede usar las interacciones del usuario con diferentes elementos, para aprender también sobre relaciones de elemento a elemento (contextuales). Las relaciones de artículo a artículo constituyen uno de los escenarios más importantes en los que pueden servir las recomendaciones, porque impulsan experiencias como:
Compras por alternativas
Involucración continua
Descubrimiento y exploración
A la gente también le gusta
Uno de los canales de recomendación más eficaces es la lista A la gente también le gusta (o compre también), que se encuentra más comúnmente en una página de Detalles de producto.
A la gente también le gusta se basa en señales explícitas (transaccionales, vistas recientemente) y crea una fuerte relación entre artículos utilizando información sobre el consumo de otros usuarios.
Ejemplos de A la gente también le gusta:
Los compradores pueden ver otros bolsos que los usuarios también han comprado, además del producto original que están considerando comprar
Las páginas de detalles de juegos de Xbox sugieren otros juegos que los usuarios han descargado
Sugerir artículos que otros usuarios también hayan leído además del artículo actual
La gente también ve
Otra forma de modelar artículos es mediante el uso de una señal de vistas implícitas en lugar de una acción explícita, como un Me gusta o una compra. Mediante las vistas, podemos ayudar a los usuarios a navegar por contenido relacionado o similar. Esta experiencia permite a los usuarios ver contenido que otros usuarios han visto pero con el que no han interactuado explícitamente.
Ejemplos de La gente también ve:
Otras personas que también han visto este artículo o servicio
Próximos artículos a leer
Los usuarios que compraron este artículo también compraron (carro)
Los usuarios que compraron este artículo también compraron es un escenario de venta adicional basado en artículos ya colocados en el carrito de compras. Este escenario a veces se llama experiencia "candy rack". Este escenario aprende de otras cestas compradas previamente (completadas) y devuelve productos complementarios en función de lo que hay actualmente en el carrito de un usuario. Este escenario puede ser diferente de las relaciones de artículo a artículo, porque puede analizar la cesta completa como una entidad con significado.
Ejemplos de Frecuentemente comprados juntos:
Comprar un portátil puede sugerir un cargador, un lápiz de superficie o un mouse
Comprar gafas de sol y una bufanda puede sugerir guantes, un bolso o una camisa
Comprar huevos y leche puede sugerir queso o chocolates
Recomendaciones visualmente similares
Para algunos elementos, la similitud visual puede proporcionar un punto de vista adicional en lugar de una solución de filtrado colaborativo. Supongamos que un consumidor está buscando un patrón de camisa floral similar al que ha visto en la tienda. Con Comprar con estilos similares, Intelligent Recommendations puede usar imágenes de contenido para detectar productos con atributos visuales similares que ofrecen al usuario una experiencia diferente de elemento a elemento.
Ejemplos de Comprar estilos similares:
Comprar looks similares
Compras de moda y diseñador
Completar el estilo
En esta imagen, puede ver que los resultados ahora devuelven patrones de degradado similares al elemento inicial.
Recomendaciones textualmente similares
A veces, las imágenes de contenido pueden tener el mismo estilo (como una botella de vino) y la comparación por similitud visual no es aplicable. Cuando hay una descripción textual rica de un producto, se puede generar una similitud textual. En este caso, Intelligent Recommendations pueden entrenar una red neuronal para comprender el texto escrito que se usa para las descripciones de los elementos. Para estos clientes, nuestros modelos ofrecen recomendaciones relevantes al comprender e interpretar el texto como un espacio de similitud alternativo.
Ejemplos de Recomendaciones textualmente similares:
Sugerir vino por su descripción
Lugares de vacaciones
Recomendaciones de artículos
Consulte también
Ajustar los resultados
Usar listas de recomendaciones personalizadas
Proporcionar listas de recomendaciones de tendencias