Listy rekomendacji kontekstowych
Czasami zalecenia dotyczące elementów dla użytkowników (spersonalizowanych) nie są na tyle istotne. W tym przypadku można za pomocą interakcji z użytkownikami z różnymi elementami, aby dowiedzieć się więcej o elementach do elementu (kontekstowych) relacje. Listy relacje elementów to jeden z najważniejszych scenariuszy, które mogą służyć do rekomendacji, ponieważ obsługują takie działania, jak:
Zakupy według alternatyw
Ciągłe zaangażowanie
Odnajdywanie i odnajdywanie
Klienci także lubią
Jednym z najbardziej skutecznych kanałów rekomendacji jest lista Osoby lubi (lub kupić), najczęściej spotykana na stronie szczegółów produktu.
Osoby polubione są także oparte na jawnych sygnałych (ostatnio przeglądanych transakcji) i tworzy silnym relacji między elementami na podstawie informacji o przechyłce innych użytkowników.
Przykłady takich osób:
Dzięki sprzedawcom można zobaczyć inne obrazy, które zostały zakupione przez użytkowników oprócz oryginalnego produktu, który rozważa się przed zakupem.
Xbox strony szczegółów gier sugerowane dla innych użytkowników gier, które zostały pobrane
Sugestie dotyczące artykułów, które oprócz bieżącego artykułu mają również przeczytać inni użytkownicy
Ludzie widzą też
Innym sposobem na modelowanie elementów jest użycie niejawnych widoków zamiast jawnego działania, takiego jak lub zakup. Za pomocą widoków możemy pomóc użytkownikom w przechodzeniu przez zawartość pokrewnej lub podobnej. Takie środowisko pozwala użytkownikom na wyświetlanie zawartości, która została wyświetlona, ale z innymi użytkownikami nie jest jawnie interakcja.
Przykłady Ludzie widzą też:
Inne osoby, które także wyświetlały ten element lub usługę
Następne artykuły do przeczytania
Często kupowane razem (koszyk)
Często zgłaszany błąd jest scenariuszem upsell opartym na elementach już umieszczonych w systemie. Ten scenariusz jest często nazywany „doświadczeniem ze stojakiem na słodycze”. Ten scenariusz uczy się na podstawie innych, wcześniej zakupionych (ukończonych) koszyków i zwraca produkty uzupełniające na podstawie tego, co aktualnie znajduje się w koszyku użytkownika. Ten scenariusz może być inny niż w przypadku elementu do relacje, ponieważ może analizować cały koszyka jako obiekt z znaczeniem.
Przykłady Często kupowane razem:
Zakup komputera przenośnego może zasugerować kliknięcie, naprawa tabletu lub myszy
Zakup okularów przeciwsłonecznych i szalika może sugerować rękawiczki, torebkę lub koszulę
Zakup produktów i usług może sugerowane w przypadku zakupu produktów
Wizualne podobne zalecenia
W przypadku niektórych elementów podobieństwo wizualne może dostarczyć dodanego punktu widoku zamiast rozwiązania do filtrowania opartego na współpracy. Załóżmy, że jeden z klientów poszukiwał podobnego wzorzec koszulek, jak widoczny w magazynie. Intelligent Recommendations mogą używać obrazów zawartości do wykrywania produktów o podobnych atrybutach graficznych, które zapewniają użytkownikowi inny wygląd elementu do elementu.
Przykłady Kup podobny wygląd:
Kup podobny wygląd
Moda i zakupy u projektantów
Uzupełnij wygląd
Na tym obrazie widać, że wyniki zwrócone w wyniku zwrócono wzorce podobne do elementu początkowego.
Tekstowo podobne zalecenia
Czasami obrazy zawartości mogą wyglądać tak samo (na przykład butelka z wodą) i porównanie ze podobieństwem graficznym nie ma zastosowania. Gdy istnieje bogate, tekstowe opis produktu, można utworzyć podobieństwo tekstowe. W tym przypadku funkcja Intelligent Recommendations może przeszkolić sieć obwodową w celu zrozumienia tekstu używanego do opisów elementów. W przypadku tych klientów nasze modele dostarczają odpowiednich zaleceń, zrozumienie i interpretowanie tekstu jako alternatywy dla podobieństwa.
Przykłady Tekstowo podobne zalecenia:
Sugeruj wybór według swojego opisu
Lokalizacje urlopów
Zalecenia dotyczące artykułów
Zobacz też
Precyzyjne dostosowywanie wyników
Korzystanie zspersonalizowanych list rekomendacji
Dostarczanie list rekomendacji trendów