Autor: Zen und die Kunst der Computerprogrammierung
1. Einleitung
Überblick
Als vierte Welle nach dem Internet verzeichnen E-Commerce-Websites ein explosionsartiges Wachstum der Nutzerzahlen. Mit der Beliebtheit des E-Commerce nutzen immer mehr Menschen ihre Mobiltelefone oder Tablet-Computer zum Durchsuchen von Shopping-Websites, und selbst Online-Shopping ermutigt immer mehr Menschen, sich dem E-Commerce-Lager anzuschließen. Aufgrund des Einflusses vieler Faktoren wie Unsicherheit, Personalisierung und Diversifizierung von Käufern und Verkäufern neigen Benutzer jedoch beim Einkaufen eher dazu, ihre eigenen Vorlieben für Produkte und Dienstleistungen zu berücksichtigen, als Werbeinformationen sorgfältig zu lesen. Daher sollten E-Commerce-Websites auf das Deep Mining der Benutzer achten und die Konversionsrate der Benutzer verbessern. Beim sogenannten „kollaborativen Filtern“ geht es darum, dem Nutzer auf Basis der vorhandenen Verhaltensdaten des Nutzers neue Produkte oder Dienstleistungen zu empfehlen. Es analysiert die historischen Transaktionsaufzeichnungen, analysiert die Ähnlichkeit zwischen Benutzern und empfiehlt entsprechende Produkte. Einfach ausgedrückt geht es darum, Produkte oder Dienstleistungen zu bewerben, die ähnliche Interessen wie der Benutzer haben. Diese Technologie wird auf vielen E-Commerce-Websites wie Amazon, Taobao usw. verwendet.
Warum kollaboratives Filtern?
Derzeit ist die kollaborative Filtertechnologie hauptsächlich in zwei Kategorien unterteilt: benutzerbasierte kollaborative Filterung und elementbasierte kollaborative Filterung. Bei der benutzerbasierten kollaborativen Filterung handelt es sich um einen benutzerbasierten Empfehlungsalgorithmus, der frühere Verhaltensdaten des Benutzers verwendet, um neue Produkte oder Dienstleistungen zu empfehlen. Bei der artikelbasierten kollaborativen Filterung werden andere Produkte vorhergesagt, an denen Benutzer interessiert sein könnten, indem die Kauf- oder Surfgewohnheiten des Benutzers für einen bestimmten Produkttyp analysiert werden. Da die Vor- und Nachteile der beiden Methoden unterschiedlich sind, ist es notwendig, die beiden Methoden zu kombinieren, um den Empfehlungseffekt zu verbessern. Bei Amazon verwenden sie beispielsweise einen benutzerbasierten kollaborativen Filteralgorithmus, um Produkte zu empfehlen, gleichzeitig gekaufte Produkte zu analysieren und verwandte Produkte zu empfehlen. Auf diese Weise können die Details der Benutzerpräferenzen erhalten bleiben und die vorhandenen Kaufdaten für Empfehlungen genutzt werden. Natürlich gibt es auch andere Methoden, wie zum Beispiel auf sozialen Netzwerken basierende kollaborative Filteralgorithmen usw., aber sie alle gehören zur benutzerbasierten kollaborativen Filterung. Wie genau funktioniert kollaboratives Filtern? Als nächstes besprechen wir das