Listas de recomendações contextuais
Por vezes, as recomendações de item para utilizador (personalizadas) não são relevantes o suficiente. Neste caso, pode utilizar as interações de utilizador com itens diferentes para aprender também sobre para relações de item para item (contextuais). As relações de item para item são um dos cenários mais importantes que as recomendações podem servir, pois podem alimentar experiências, como:
Procurar por alternativas
Cativação contínua
Descoberta e exploração
As pessoas também gostam
Um dos canais de recomendações mais eficazes é a lista As pessoas também gostam (ou compram), normalmente encontrada numa página de Detalhes do produto.
As pessoas também gostam baseia-se em sinais explícitos (transacionais, vistos recentemente) e cria uma relação forte entre itens utilizando informações sobre o consumo de outros utilizadores.
Exemplos de As pessoas também gostam:
Os consumidores podem ver outras malas que os utilizadores também compraram, para além do produto original que estão a considerar comprar
As páginas de detalhes dos jogos da Xbox sugerem outros jogos que os utilizadores transferiram
Sugira artigos que outros utilizadores também leram, para além do artigo atual
As pessoas também veem
Outra forma de modelar itens é utilizar um sinal de vista implícita, em vez de uma ação explícita, como gostar ou comprar. Através da utilização de vistas, podemos ajudar os utilizadores a navegar por conteúdo relacionado ou semelhante. Esta experiência permite que os utilizadores vejam conteúdo que foi visualizado, mas com os quais outros utilizadores não interagiram explicitamente.
Exemplos de As pessoas também veem:
Outras pessoas que também viram este item ou serviço
Os artigos a ler a seguir
Frequentemente comprados em conjunto (carrinho)
Frequentemente comprados em conjunto é um cenário de venda superior baseado em itens já colocados no carrinho de compras. Este cenário é frequente chamado de "experiência de prateleira de doces". Este cenário aprende com outros cestos comprados anteriormente (concluídos) e devolve produtos complementares com base no que está atualmente presente no carrinho de um utilizador. Este cenário pode ser diferente das relações item para item, porque pode analisar todo o cesto como uma entidade com significado.
Exemplos de Frequentemente comprados em conjunto:
Comprar um computador portátil poderá sugerir um carregador, uma caneta para Surface ou um rato
Comprar óculos de sol e lenço poderá sugerir luvas, uma bolsa ou uma camisa
Comprar ovos e leite poderá sugerir queijo e chocolates
Recomendações visualmente semelhantes
Para alguns itens, a semelhança visual poderá fornecer um ponto de vista adicional, em vez de uma solução de filtragem colaborativa. Suponha que um consumidor está à procura de uma camisa com padrão floral como a que viu na loja. Com Comprar de aspeto semelhante, o Intelligent Recommendations pode utilizar imagens de conteúdo para detetar produtos com atributos visuais semelhantes que proporcionam ao utilizador uma experiência de item para item diferente.
Exemplos de Comprar de aspeto semelhante:
Comprar de aspeto semelhante
Compras de moda e de designer
Concluir o visual
Nesta imagem, pode ver que os resultados devolvem agora padrões de gradiente semelhantes ao item inicial.
Recomendações textualmente semelhantes
Por vezes, as imagens de conteúdo podem parecer iguais (como uma garrafa de vinho) e a comparação por semelhança visual não é aplicável. Quando existe uma descrição textual rica de um produto, é possível gerar uma semelhança textual. Neste caso, o Intelligent Recommendations pode preparar uma rede neural para compreender o texto escrito utilizado para descrições de itens. Para estes clientes, os nossos modelos fornecem recomendações relevantes ao compreender e interpretar texto como um espaço de semelhança alternativo.
Exemplos de Recomendações textualmente semelhantes:
Sugerir vinho pela respetiva descrição
Localizações de férias
Recomendações de artigos
Consulte também
Ajustar os resultados
Utilizar listas de recomendações personalizadas
Fornecer listas de recomendações de mais populares