Anpassade rekommendationslistor
Intelligent Recommendations förser företag med verktyg med relevanta scenarier. Denna artikel beskriver Användarval: eller anpassade rekommendationer baserat på fullständig användarhistorik, senaste aktivitet eller sessionsaktivitet.
Typer av anpassade rekommendationer
Scenariot Användarval är en stil med anpassade rekommendationer som fokuserar på att samla in användarens egenskaper eller inställningar, och placerar en användare på unika platser i objektutrymmet.
Det här scenariot skapar mycket anpassade rekommendationer för en stor katalog med objekt. Avståndet mellan en användare och ett visst objekt avgör hur starkt relationen är. Vektorer som ligger närmare varandra representerar en starkare anslutning.
Användarval kan visas för användare på olika sätt, vilket innebär att det finns flera olika typer av "val för dig".
Beroende på affärsstrategin och användarens avsikt kan modellen:
Lär dig mer om allt som är känt om användare.
Lägg till vikt i händelser och dra nytta av de senaste åtgärderna eller händelserna.
Tänk bara på de senaste händelserna.
Valbaserade på hela användarhistoriken
När valen är baserade på användarhistorik tar detta scenario hänsyn till alla användarkonsumerade artiklar från katalogen i det förflutna under flera interaktioner med systemet. I den vertikala återförsäljningen inkluderar hämtningar en användares hela inköpshistorik. Modellerna använder teknik för delningsfiltrering för att rekommendera nästa uppsättning objekt som användaren kan ha nytta av, helt baserat på historiken över användningen, till exempel inköpshistorik.
Exempel baserade på hela användarhistoriken:
För spelare, Xbox spel relaterade till vad de spelar oftast
Rekommenderar liknande produkter
Förslag på en ny TV-serie
Dokumentation eller utbildningsaktiviteter som en användare kan ha intresse av att läsa eller föra vidare
Val utifrån den senaste aktiviteten
Ibland är de senaste interaktionerna med systemet viktigare och ett bättre sätt att anpassa rekommendationer. I det här fallet kan modellen antingen väga den senaste versionen eller bara använda de senaste interaktionerna som en säs (startpunkt).
Exempel utifrån den senaste aktiviteten:
Ofta och länge återkommande erfarenhet (förändrade behov)
Rekommendationer om produkt och filmer (ändrade relevans)
Generering av musikspellistor (föränderlig eller utvecklande smak)
Val utifrån realtidsaktiviteten
När plocken baseras på realtidsval, med den aktuella sessionen som indata, är det ett scenario med den kortaste tidsperioden. Systemet fungerar som evenemang i realtid och kan, tillsammans med för utbildade modeller, ge snabbrekommendationer om den aktuella situationen.
Exempel utifrån realtidsaktiviteten:
Användaren har nyligen visat objekt. Visa en lista över relaterade objekt.
Användaren har precis avslutat ett matchspel. Vilka merförsäljningsmöjligheter är tillgängliga?
Användarens nedladdade innehåll. Vilket ytterligare innehåll att välja?
Användaren läser artiklar. Vad ska nästa steg vara?
Metodtips när du använder anpassade rekommendationer
Med anpassade rekommendationer kan du notera metodtips för specifika situationer.
Fullständig anpassning av listan
Ofta behöver återförsäljare inte anpassade rekommendationer för en hel katalog. I stället har de en särskild katalogdel att välja bland för att kunna avslöjas. Den kan redan beställas efter prioritet. I det här fallet kan en redigerare eller en användare dra en lätt åtrå för att flytta objekten av användarintressen högre upp i listan. Intelligent Recommendations kan stödja den här upplevelsen "direkt", baserad på befintliga fullständiga modeller. Återförsäljare kan kräva en fullständig omstavning av listan eller bara ta bort artiklar som en användare redan har köpt. Genom att ta bort användarhistorik från en lista kan alla objekt anpassas något, så att det inte finns några bortkastade fastigheter för produktplacering.
Exempel på fullständiga listanpassningar:
Anpassade trendinglistor
Personliga affärer, välja bland rabatterade produkter eller nya affärer
Olika smak i anpassade rekommendationer
Att förstå användaråtgärder är en viktig roll när du ska anpassa rekommendationer. På samma sätt kan en liknande åtgärd potentiellt ha olika betydelser. Därför är inte alla åtgärder samma. En förälder kanske gillar att lyssna på bluesvideoklipp och deras barn har samma konto och tittar på videor med uppskjutning av rymdskepp. Våra modeller använder algoritmen flera personer i Intelligent Recommendations och inser att användarens användning kan variera. Användarinteraktioner delas upp i kluster (separata grupper) för att uppnå resultat. Delningen ger förslag från två separata kluster och för in dem i resultatet som returneras till användarna. Med den här funktionen skyddas användarnas förändrade funktion och det garanterar att användarnas intressen inte kan föra över varandra.
Exempel på olika smak:
Olika smaker i musik eller film
Shopping i olika kategorier (skor, smycken, städmaterial)
Familjekonton med fler än en person
Se även
Finjustera resultaten
Använda anpassade rekommendationslistor
Tillhandahålla listor med populära rekommendationer