Listas de recomendações personalizadas
O Intelligent Recommendations fornece às empresas um toolkit de cenários relevantes. Este artigo descreve Seleções do utilizador ou recomendações personalizadas com base no histórico completo, atividade recente ou atividade de sessão do utilizador.
Tipos de recomendações personalizadas
O cenário de Seleções do utilizador é um estilo de recomendações personalizadas que se focam na captura de gostos ou preferências do utilizador, bem como as posições de um utilizador em localizações exclusivas no espaço de itens.
Este cenário cria recomendações altamente personalizadas no contexto de um catálogo de itens grande. A distância entre um utilizador e um determinado item decide a respetiva força da relação. Os vetores que estão mais próximos representam uma ligação mais forte.
As seleções do utilizador podem ser expostas a utilizadores de diversas formas, o que significa que existem várias variações de "seleções para si".
Dependendo da estratégia de negócio e da intenção do utilizador, os modelos podem:
Aprenda com tudo o que é conhecido sobre os utilizadores.
Adicione peso a eventos, inferindo mais a partir de ações ou eventos recentes.
Considere apenas eventos recentes.
Seleções baseadas em todo o histórico do utilizador
Quando as seleções são baseadas no histórico do utilizador, este cenário considera todos os itens consumidos pelo utilizador do catálogo no passado por várias interações com o sistema. Na vertical de retalho, as seleções incluem o histórico de compras completo de um utilizador. Os modelos utilizam técnicas de filtragem colaborativa para recomendar o conjunto de itens seguinte que um utilizador poderá desfrutar, totalmente com base no histórico de consumo, tal como o histórico de compras.
Exemplos baseados em todo o histórico do utilizador:
Para os jogadores, os jogos da Xbox relacionados com os que jogam com mais frequência
Recomendar filmes semelhantes
Sugerir uma nova série de TV
Documentação ou preparação de atividades que um utilizador possa ter interesse em ler ou seguir
Seleções baseadas em atividade recente
Por vezes, as interações recentes com o sistema são mais importantes e representam um sinal melhor para recomendações personalizadas. Neste caso, os modelos podem ponderar sinais recentes ou utilizar apenas as interações mais recentes como de propagação (ponto de partida).
Exemplos baseados em atividade recente:
Comprador de mercearias frequente e antigo (necessidade em alteração)
Recomendações de jogos ou filmes (relevância em alteração)
Geração de listas de reprodução de música (gosto em alteração ou evolução)
Seleções baseadas em atividade em tempo real
Quando as seleções são baseadas em sinais em tempo real, com a sessão atual como entrada, é um cenário com o intervalo de tempo mais curto. Os sinais vêm como eventos em tempo real e, em conjunto com modelos pré-preparados, podem ajudar a entregar recomendações instantâneas relevantes para a situação atual.
Exemplos baseados em atividade em tempo real:
Itens vistos recentemente pelo utilizador. Apresentar uma lista de itens relacionados.
O utilizador acabou de terminar um jogo. Que oportunidades de venda superior estão disponíveis?
O utilizador transferiu conteúdo. Que conteúdo adicional escolher?
O utilizador está a ler artigos. O que deve ser lido a seguir?
Melhores práticas quando utilizar recomendações personalizadas
Com recomendações personalizadas, anote as melhores práticas para situações específicas.
Personalização de lista completa
Frequentemente, os revendedores não necessitam de recomendações personalizadas para um catálogo completo. Em vez disso, têm um subconjunto de catálogo específico de onde escolher para expor a consumidores. É possível que já esteja ordenado por prioridade. Neste caso, um editor ou um responsável pela manutenção pode aplicar uma pequena reordenação aleatória para empurrar os itens de interesse do utilizador mais para cima na lista. O Intelligent Recommendations pode suportar esta experiência "rapidamente", com base em modelos completos existentes. Os revendedores podem requerer uma reordenação aleatória completa da lista ou apenas a remoção de itens que um utilizador já tenha comprado. Ao remover o histórico de utilizador de uma lista, qualquer conjunto de itens pode ser ligeiramente personalizado, garantindo que não existe espaço desperdiçado para a colocação de produtos.
Exemplos de personalizações de lista completa:
Listas mais populares personalizadas
Negócios personalizados, escolha entre produtos com desconto ou novos negócios
Diversificar o gosto em recomendações personalizadas
Compreender as ações de utilizador é uma função importante para personalizar listas de recomendações. Do mesmo modo, a ação "gosto" pode potencialmente ter uma variedade de significados diferentes. Por este motivo, nem todas as ações de gosto são iguais. Um pai poderá gostar de ouvir vídeos de música de blues e o filho na mesma conta gostar de assistir a vídeos de lançamento de naves espaciais. Os nossos modelos utilizam o algoritmo de múltiplas personas no Intelligent Recommendations e reconhecem que o gosto de um utilizador pode variar. As interações do utilizador são divididas em clusters (grupos separados) para diversificar os resultados. A divisão fornece sugestões de dois clusters separados e intercala-os nos resultados devolvidos aos utilizadores. Esta caraterística protege o gosto em alteração de utilizadores e assegura que os interesses do utilizador não podem sobrepor-se entre eles.
Exemplos de gostos diversificados:
Gosto diversificado em música ou filmes
Diversas categorias de compras (sapatos, joalharia, materiais de limpeza)
Contas de família com mais do que uma pessoa
Consulte também
Ajustar os resultados
Fornecer listas de recomendações baseadas em itens
Fornecer listas de recomendações de mais populares