Kedai Belanja Percutian Pintar Dengan Enjin Cadangan Amazon

Pada masa Krismas ramai di antara kita bergelut dengan memilih hadiah yang paling sesuai untuk orang yang kita cintai. Perburuan hadiah untuk Krismas mungkin memerlukan masa perancangan, kadang-kadang berminggu-minggu. Selain daripada keseronokan dan kegembiraan yang tertentu, Belanja Krismas boleh menjadi pengalaman yang memakan masa dan tekanan.

Untungnya dalam era teknologi canggih, terdapat alat yang tersedia secara bebas yang dapat membuat proses belanja lebih efisien dan produktif. Dalam jawatan ini saya akan menunjukkan kepada anda bagaimana salah satu laman peruncit terbesar di dunia, Amazon.com boleh membantu anda mencari hadiah terbaik untuk rakan dan keluarga anda dalam jangka masa yang munasabah dengan bantuan enjin cadangan pintarnya.

Pengalaman Pengguna Peribadi

Laman web yang paling berjaya di dunia seperti Amazon, Facebook, dan Youtube sangat popular kerana mereka menawarkan pengalaman pengguna yang diperibadikan kepada semua orang.

Memperibadikan pengalaman pengguna pada asasnya bermakna bahawa syarikat memerhatikan pengguna mereka semasa mereka melayari laman web mereka dan melakukan tindakan yang berbeza di atasnya. Mereka mengumpul data ke dalam pangkalan data yang kemas, dan menganalisisnya.

Bukankah itu berbahaya untuk privasi? Dari sudut pandangan tertentu, ya itu; syarikat-syarikat ini mungkin tahu lebih banyak tentang kami daripada rakan-rakan terdekat kami atau bahkan kami sendiri. Selain itu, mereka menawarkan perkhidmatan yang boleh menjadikan kehidupan kita lebih mudah, dan keputusan kami lebih baik.

Jika kita melihatnya dari sudut pandang transaksional kita "membayar" untuk pengalaman dan keselesaan pengguna yang dipertingkatkan, dengan sebahagian daripada privasi kami.

Sudah tentu, pertempuran undang-undang antara pemberi kandungan dan pihak berkuasa kandungan dalam talian adalah tetap, hanya berfikir tentang undang-undang kuki EU yang tidak begitu dicintai, namun sebagai pilihan adalah kurang pilihan yang realistis bagi seseorang yang ingin menikmati gaya hidup abad ke-21, berguna untuk memahami bagaimana cadangan peribadi diperibadikan di belakang tabir.

The Tech Behind the Recommendations Amazon

Semasa menavigasi melalui laman web Amazon, kami dapat mencari cadangan peribadi di mana-mana di bawah tajuk seperti “Baru Untuk Anda”, “Cadangan Untuk Anda di Kedai Kindle”, “Cadangan yang dipilih”, “Pelanggan Yang Dibeli Perkara Ini Juga Dibeli”, dan banyak lagi.

Cadangan telah dibuat disatukan ke setiap bahagian daripada proses pembelian dari Carian produk ke checkout. Cadangan tersuai dikuasakan oleh enjin cadangan pintar yang dapat mengenal pengguna lebih baik dan lebih baik kerana mereka menggunakan laman web ini.

Untuk memahami sistem cadangan dengan lebih baik, ini adalah idea yang baik untuk memikirkannya sebagai versi enjin carian canggih. Apabila kita melihat item di Amazon, ia tidak hanya mengembalikan hasilnya, tetapi juga membuat ramalan mengenai produk yang mungkin kita perlukan, dan menunjukkan cadangannya untuk kami.

Sistem penasihat menggunakan pelbagai jenis algoritma pembelajaran mesin, dan mereka telah dapat dilaksanakan secara komersial dengan evolusi teknologi data besar. Enjin cadangan adalah produk berasaskan data, sebagai mereka perlu mencari dataset kecil yang paling relevan di lautan besar data besar.

Tugas pengiraan yang sistem cadangan perlu diselesaikan adalah gabungan dari analisis ramalan dan penapisan

Mereka menggunakan salah satu pendekatan berikut:

(1) Penapisan Kerjasama, yang mencari persamaan antara data kolaboratif seperti pembelian, penilaian, suka, upvotes, downvotes di:

• sama ada matriks pengguna pengguna, di mana cadangan dibuat berdasarkan pilihan pelanggan lain yang suka, dibeli, diberi nilai, dan lain-lain produk yang serupa,
• atau matriks produk produk, di mana enjin cadangan mengembalikan produk yang sama seperti pembelian, suka, penarafan, dan lain-lain kepada produk yang pengguna beli, diberi nilai, suka, upvoted sebelum ini

Amazon menggunakan yang terakhir, kerana ia lebih maju (lihat secara terperinci dalam bahagian seterusnya).

(2) Penapisan Berasaskan Kandungan, yang membuat ramalan berdasarkan persamaan ciri-ciri objektif produk seperti spesifikasi, penerangan, pengarang, dan juga keutamaan pengguna sebelumnya (yang tidak disukai oleh pengguna lain).

(3) Penapisan hibrid, yang menggunakan beberapa jenis kombinasi penapisan berasaskan kolaborasi dan kandungan.

Matrik Produk Produk

Cara tradisional penapisan kolaborasi menggunakan pengguna matriks pengguna, dan di atas sejumlah data tertentu ia mempunyai masalah prestasi yang serius.

Untuk memadankan pilihan, penilaian, pembelian semua pengguna, dan cari orang yang paling dekat dengan pengguna aktif, enjin cadangan perlu menganalisis setiap pengguna dalam pangkalan data dan padankannya terhadap yang terkini.

Jika kita berfikir tentang saiz Amazon, jelas bahawa penapisan semacam ini tidak layak untuk mereka, jadi jurutera Amazon mengembangkan versi yang telah dipertingkatkan daripada kaedah yang dahulu, dan memanggilnya penapisan kolaborasi item ke item.

Penapisan kolaborasi item-ke-item terus kejayaan kolaboratif sebagai penanda aras bukannya kualiti objektif produk (lihat penapisan berasaskan kandungan di atas), tetapi menjalankan pertanyaan dalam matriks produk produk yang bermaksud ia tidak membandingkan pengguna, sebaliknya ia membandingkan produk.

Enjin cadangan mengkaji produk yang telah kami beli, diberi nilai, dimasukkan ke dalam senarai permintaan kami, memberi komen, dan sebagainya setakat ini, kemudian melihat item lain dalam pangkalan data yang mempunyai kadar dan pembelian yang serupa, agregatnya, kemudian mengembalikan perlawanan terbaik sebagai cadangan.

Cara Dapatkan Cadangan Lebih Baik

Kembali ke membeli-belah Krismas, mungkin untuk melatih enjin cadangan Amazon untuk mendapatkan hasil yang lebih baik. Sekiranya anda hanya mempunyai gambaran samar-samar tentang apa yang harus dibeli untuk orang yang dikasihi, anda tidak perlu melakukan apa-apa selain meninggalkan jejak di laman web semasa menyemak imbas.

Demi jawatan ini saya telah mencuba ini dengan sendirinya.

Titik permulaan saya adalah bahawa saya ingin mencari beberapa perabot pejabat kecil, tetapi tidak betul-betul tahu apa. Jadi saya memasukkan beberapa kata kunci yang berkaitan ke dalam bar carian, dan mula menelusuri hasilnya. Saya meletakkan barang-barang yang saya suka dalam senarai hajat saya, menilai beberapa ulasan sebagai “Membantu”, jatuh beberapa perabot pejabat ke dalam bakul saya.

Sekiranya saya pernah membeli item yang sama di Amazon, agak sukar untuk menulis ulasan, tapi sebenarnya saya tidak dapat melakukannya (anda hanya boleh menulis ulasan mengenai produk yang telah anda beli).

Selepas kira-kira 10-15 minit saya berhenti, dan mengklik pada halaman Cadangan saya (yang boleh didapati di bawah “Amazon [Nama Anda]” titik menu). Sebelum percubaan saya hanya mempunyai buku-buku di halaman ini, kerana itulah yang biasanya saya beli di Amazon. Selepas pencarian saya yang luas, buku-buku telah hilang dan telah digantikan oleh perabot pejabat sejuk, seperti yang anda lihat di bawah.

Tweaking Engine

Ada kemungkinan untuk melatih lagi enjin cadangan, seperti di bawah setiap cadangan ada “Kenapa disyorkan?” pautan. Di antara cadangan saya, anda boleh melihat pelantar bin (item terakhir), yang bukan produk perabot pejabat dan satu yang saya tidak mahu beli untuk Krismas.

Oleh itu mari kita lihat mengapa ia di sini.

Selepas mengklik pada pautan, Amazon memberitahu saya ia disyorkan kerana saya meletakkan kerusi komputer pejabat ke dalam bakul saya. Nah, itu sambungan yang menarik, tetapi saya masih tidak memerlukannya.

Saya mempunyai dua pilihan di sini, saya boleh tanda sama ada “Tidak berminat” kotak pilihan bersebelahan dengan kapal bin, atau yang “Jangan gunakan untuk cadangan” bersebelahan dengan kerusi pejabat. Saya semak “Tidak berminat” kotak semak.

Dan pada ketika ini kapal bin telah hilang, digantikan dengan satu lagi produk yang disyorkan, yang bermaksud saya satu langkah lebih dekat dengan hadiah yang sempurna.

Terlalu buruk sekiranya saya memerlukan pembazir yang tepat pada masa akan datang. Oh tunggu. Saya telah menemui penyelesaian untuk itu. Di bawah “Meningkatkan Cadangan Anda” titik menu, saya boleh mengedit item yang saya tandai dengan “Tidak berminat” label

Apabila saya dapati memburu hadiah membayangkan saya, saya hanya boleh membongkar produk yang mungkin saya lihat di antara cadangan saya pada masa hadapan.