Listy Spersonalizowane rekomendacje
Intelligent Recommendations zapewnia firmom zestaw narzędzi z odpowiednimi scenariuszami. W tym artykule opisano wybieranie przez użytkownika lub spersonalizowane zalecenia oparte na pełnej historii użytkownika, ostatnio dokonanym działaniu lub działaniu sesji.
Rodzaje spersonalizowanych rekomendacji
Scenariusz wyboru użytkownika to styl spersonalizowanych rekomendacji, których skupiono się na zbieraniu danych użytkownika, preferencjach i pozycji użytkownika w unikatowych lokalizacjach w miejscu elementu.
W tym scenariuszu są bardzo spersonalizowane zalecenia w kontekście dużego katalogu elementów. Odległości między użytkownikiem a określonym elementem decydują o sile relacji. Połączenia, które są zbliżane do siebie, reprezentują bardziej duże połączenie.
Picks użytkowników mogą być widoczne dla użytkowników w różnych sposobów, co oznacza, że istnieje wiele różnych sposobów wyboru.
W zależności od strategii biznesowej i zamiarów użytkownika modele mogą:
Dowiedz się od wszystkich znanych informacji o użytkownikach.
Dodaj wagę do zdarzeń, insekwując bardziej na przykład ostatnie akcje lub zdarzenia.
Należy wziąć pod uwagę tylko ostatnie zdarzenia.
Typy wyboru oparte na całej historii użytkownika
Ten scenariusz uwzględnia wszystkie elementy konsumowane przez użytkowników z katalogu w przeszłości podczas wielu interakcji z systemem, gdy te elementy są wybierane na podstawie historii użytkownika. W pionie detalicznym picki obejmują całą historię zakupów użytkownika. Korzystając z technik filtrowania opartego na współpracy, modele mogą zalecać następny zestaw elementów, z których może korzystać użytkownik, na podstawie historii zmian, takiej jak historia zakupu.
Przykłady oparte na całej historii użytkownika:
Dla graczy gry na Xbox związane z tym, w co najczęściej grają
Polecanie podobnych filmów
Zaproponowanie nowego serialu telewizyjnego
Dokumentacja lub działania szkoleniowe, które mogą zainteresować użytkownika lub które mogą być w interesie użytkownika
Picks na podstawie ostatniego działania
Czasami ostatnie interakcje z systemem mają większy znaczenie i stanowią lepszą jakość rekomendacji. W tym przypadku modele mogą na wagę najnowszych sygnały lub użyć tylko najnowszych interakcji jako punktu początkowego.
Przykłady na podstawie ostatniej aktywności:
Często i przez dłuższy czas kupujący (zmiana potrzeb)
Zalecenia dotyczące gier lub filmów (zmiana istotności)
Generowanie listy odtwarzania (zmiana lub rozwój)
Wybory oparte na aktywności w czasie rzeczywistym
Jeśli wartości wyboru są oparte na sygnałych w czasie rzeczywistym, dla bieżącej sesji jako danych wejściowych jest to scenariusz z najkrótszym zakresem czasu. Sygnały przychodzą jako zdarzenia w czasie rzeczywistym i wraz ze wstępnie wytrenowanymi modelami mogą pomóc w serwowaniu natychmiastowych rekomendacji odpowiednich do aktualnej sytuacji.
Przykłady oparte na aktywności w czasie rzeczywistym:
Użytkownik ostatnio oglądał przedmioty. Wyświetlenie listy powiązanych elementów.
Użytkownik właśnie skończył grać w grę. Jakie szanse sprzedaży są dostępne?
Treści pobierane przez użytkownika. Jaką dodatkową zawartość należy wybrać?
Użytkownik czyta artykuły. Co należy przeczytać dalej?
Najlepsze praktyki podczas korzystania z personalizowanych rekomendacji
Dzięki spersonalizowanym zaleceniam można zanotować najlepsze metody postępowania w określonych sytuacjach.
Personalizacja pełnej listy
Sprzedawcy detaliczni często nie potrzebują spersonalizowanych zaleceń dla całego katalogu. Zamiast tego mają określony podzbiór katalogów do wyboru w celu ekspozycji na konsumentów. Może ona być już uporządkowana według priorytetu. W takim przypadku redaktor lub kurator może po prostu zastosować lekkie przetasowanie, aby przesunąć interesujące użytkownika pozycje wyżej na liście. Intelligent Recommendations mogą obsługiwać ten sposób pracy na bieżąco w oparciu o istniejące pełne modele. Sprzedawcy mogą zażądać całkowitego przetasowania listy lub usunąć tylko pozycje, które użytkownik już zakupił. Dzięki usunięciu historii użytkownika z listy dowolny zestaw elementów może zostać nieco spersonalizowany, co ma zagwarantować, że nie tracisz nic na lokowanie produktów.
Przykłady personalizacji pełnej listy:
Spersonalizowane listy trendów
Spersonalizowane transakcje, wybór produktów z rabatów lub nowe transakcje
Insekwowanie treści w spersonalizowanych zaleceniach
Zrozumienie działań użytkownika odgrywa ważną rolę w personalizacji list rekomendacji. Podobnie akcja „polub” może mieć różne znaczenie. Stąd nie każde działanie podobne jest takie samo. Rodzic może lubić słuchać teledysków z muzyką bluesową, a jego dziecko na tym samym koncie lubi oglądać filmy o startach statków kosmicznych. Nasze modele wykorzystują algorytm wielokrotnej persony w Intelligent Recommendations i rozpoznają, że gust użytkownika może się różnić. Interakcje użytkowników są dzielone na klastry (osobne grupy) w celu zróżnicowania wyników. Podział przedstawia sugestie z dwóch oddzielnych klastrów i umożliwia ich interleas w wynikach zwróconych użytkownikom. Ta funkcja chroni zmieniające się gusta użytkowników i sprawia, że zainteresowania użytkowników nie mogą się nawzajem przebijać.
Przykłady różnicowania gustów:
Różnorodny gust muzyczny lub filmowy
Zakupy różnych kategorii (buty, biżuteria, środki czystości)
Konta rodzinne z więcej niż jedną osobą
Zobacz też
Precyzyjne dostosowywanie wyników
Korzystanie zspersonalizowanych list rekomendacji
Dostarczanie list rekomendacji trendów