Βασικά στοιχεία φίλτρων προγνωστικών Analytics που βασίζονται σε περιεχόμενο - ανδρείκελα

Συστήματα συνημμένων με βάση το περιεχόμενο αντιστοιχούν κυρίως σε χαρακτηριστικά το προφίλ του χρήστη να κάνει συστάσεις. Όταν ένας χρήστης αγοράζει ένα στοιχείο που έχει επισημάνει χαρακτηριστικά, θα συνιστώνται αντικείμενα με χαρακτηριστικά που ταιριάζουν με αυτά του αρχικού στοιχείου. Όσο περισσότερα χαρακτηριστικά ταιριάζουν, τόσο μεγαλύτερη είναι η πιθανότητα ότι ο χρήστης θα προτιμήσει τη σύσταση. Αυτός ο βαθμός πιθανότητας ονομάζεται ακρίβεια .

Βασικά στοιχεία ετικετών για την περιγραφή στοιχείων

Γενικά, η εταιρεία που κάνει την πώληση (ή ο κατασκευαστής) συνήθως επισημαίνει τα στοιχεία της με λέξεις-κλειδιά. Ωστόσο, στον ιστότοπο του Amazon, είναι αρκετά συνηθισμένο να μην βλέπετε ποτέ τις ετικέτες για τα αντικείμενα που αγοράσατε ή προβάλατε - και καν δεν ζητήθηκε να επισημάνετε ένα στοιχείο. Οι πελάτες μπορούν να ελέγξουν τα στοιχεία που αγόρασαν, αλλά δεν είναι τα ίδια με τα tagging.

Τα στοιχεία επισήμανσης μπορούν να αποτελέσουν πρόκληση κλίμακας για ένα κατάστημα όπως το Amazon που έχει τόσα πολλά αντικείμενα. Επιπλέον, ορισμένα χαρακτηριστικά μπορούν να είναι υποκειμενικά και ενδέχεται να μην έχουν επισημανθεί σωστά, ανάλογα με το ποια είναι τα ετικέτα. Μια λύση που επιλύει το πρόβλημα κλιμάκωσης είναι να επιτρέψει στους πελάτες ή το ευρύ κοινό να επισημάνουν τα στοιχεία.

Για να διατηρήσετε τις ετικέτες διαχειρίσιμες και ακριβείς, μπορεί να παρέχεται ένα αποδεκτό σύνολο ετικετών από τον ιστότοπο. Μόνο όταν συμφωνεί ένας κατάλληλος αριθμός χρηστών (δηλαδή χρησιμοποιεί την ίδια ετικέτα για να περιγράψει ένα στοιχείο), θα χρησιμοποιηθεί η ετικέτα που συμφωνήθηκε για την περιγραφή του στοιχείου.

Η ετικέτα με βάση το χρήστη εμφανίζει άλλα προβλήματα για ένα σύστημα φιλτραρίσματος που βασίζεται σε περιεχόμενο (και συνεργατικό φιλτράρισμα):

Αξιοπιστία: Όλοι οι πελάτες δεν λένε την αλήθεια μόνο ένα μικρό ιστορικό αξιολόγησης μπορεί να σκιάσει τα δεδομένα. Επιπλέον, ορισμένοι πωλητές μπορούν να δώσουν (ή να ενθαρρύνουν άλλους να δώσουν) θετικές αξιολογήσεις στα δικά τους προϊόντα, δίνοντας αρνητικές αξιολογήσεις στα προϊόντα των ανταγωνιστών τους.
Sparsity: Δεν θα βαθμολογηθούν όλα τα στοιχεία ή θα έχουν αρκετές αξιολογήσεις για την παραγωγή χρήσιμων δεδομένων.
Αβεβαιότητα: Όλοι οι χρήστες δεν χρησιμοποιούν τις ίδιες λέξεις-κλειδιά για την επισήμανση ενός στοιχείου, παρόλο που η έννοια μπορεί να είναι η ίδια. Επιπλέον, ορισμένα χαρακτηριστικά μπορούν να είναι υποκειμενικά. Για παράδειγμα, ένας θεατής μιας ταινίας μπορεί να το θεωρήσει σύντομο, ενώ άλλος λέει ότι είναι πολύ μακρύς.

Τα χαρακτηριστικά απαιτούν σαφείς ορισμούς. Ένα χαρακτηριστικό με πολύ λίγα όρια είναι δύσκολο να αξιολογηθεί. η επιβολή πάρα πολλών κανόνων σε ένα χαρακτηριστικό μπορεί να ζητά από τους χρήστες να κάνουν πάρα πολλή δουλειά, γεγονός που θα τους αποθαρρύνει από την επισήμανση στοιχείων.

Η επισήμανση των περισσότερων αντικειμένων σε έναν κατάλογο προϊόντων μπορεί να βοηθήσει στην επίλυση του προβλήματος της ψυχρής εκκίνησης που πλήττει το συνεργατικό φιλτράρισμα.Για λίγο, ωστόσο, η ακρίβεια των συστάσεων του συστήματος θα είναι χαμηλή μέχρι να δημιουργήσει ή να αποκτήσει ένα προφίλ χρήστη.

Ακολουθεί ένα δείγμα μήτρας πελατών και των αντικειμένων που αγοράστηκαν, δείχνει ένα παράδειγμα φιλτραρίσματος με βάση το περιεχόμενο.

Στοιχείο	Χαρακτηριστικό 2	Χαρακτηριστικό 3	Χαρακτηριστικό 4
X	X	X
Στοιχείο 5	X	Στοιχείο 5
X	> X	X	Εδώ, αν ένας χρήστης θέλει το χαρακτηριστικό 2 - και αυτό έχει καταγραφεί στο προφίλ του - το σύστημα θα συστήσει όλα τα αντικείμενα που διαθέτουν το χαρακτηριστικό 2: Item 1, Item 2 και Item 4. > Αυτή η προσέγγιση λειτουργεί ακόμα και αν ο χρήστης δεν έχει ποτέ αγοράσει ή αναθεωρήσει ένα στοιχείο. Το σύστημα θα κοιτάξει απλά στη βάση δεδομένων του προϊόντος για οποιοδήποτε στοιχείο που έχει επισημανθεί με το χαρακτηριστικό 2. Εάν (για παράδειγμα) ένας χρήστης που ψάχνει ταινίες με Audrey Hepburn - και αυτή η προτίμηση εμφανίζεται στο προφίλ του χρήστη - το σύστημα θα συστήσει όλα τις ταινίες που διαθέτουν τον Audrey Hepburn σε αυτόν τον χρήστη.
Αυτό το παράδειγμα, ωστόσο, εκθέτει γρήγορα έναν περιορισμό της τεχνικής φιλτραρίσματος με βάση το περιεχόμενο: Ο χρήστης πιθανώς ήδη γνωρίζει για όλες τις ταινίες που έχει βρεθεί στην Audrey Hepburn ή μπορεί εύκολα να ανακαλύψει - από την άποψη του χρήστη, το σύστημα δεν έχει συστήσει κάτι νέο ή αξίας.	Πώς να βελτιώσετε την ακρίβεια με σταθερή ανατροφοδότηση	Ένας τρόπος για να βελτιώσετε την ακρίβεια των συστάσεων του συστήματος είναι να ζητήσετε από τους πελάτες την ανάδραση όποτε είναι δυνατόν. Η συλλογή των σχολίων πελατών μπορεί να γίνει με πολλούς διαφορετικούς τρόπους, μέσω πολλαπλών καναλιών. Ορισμένες εταιρείες ζητούν από τον πελάτη να αξιολογήσει ένα στοιχείο ή μια υπηρεσία μετά την αγορά. Άλλα συστήματα παρέχουν συνδέσεις σε στυλ κοινωνικής δικτύωσης, ώστε οι πελάτες να μπορούν να "αρέσουν" ή να "αντιπαθούν" ένα προϊόν. Η επιτυχία των συστάσεων ενός συστήματος εξαρτάται από το πόσο καλά ικανοποιεί δύο κριτήρια:	ακρίβεια
(σκεφτείτε το ως ένα σύνολο τέλειων αντιστοιχιών -	συνήθως ένα μικρό σετ) και	ανάκληση	(σκεφτείτε το ως ένα σύνολο πιθανών αγώνων - συνήθως μεγαλύτερο σετ). Εδώ είναι μια πιο προσεκτική ματιά:

Η ακρίβεια

μετρά πόσο ακριβής είναι η σύσταση του συστήματος. Η ακρίβεια είναι δύσκολο να μετρηθεί επειδή μπορεί να είναι υποκειμενική και δύσκολο να προσδιοριστεί ποσοτικά. Για παράδειγμα, όταν ένας χρήστης επισκέπτεται για πρώτη φορά τον ιστότοπο του Amazon, μπορεί η Amazon να γνωρίζει με βεβαιότητα εάν οι συστάσεις του είναι στο στόχο;

Ορισμένες συστάσεις μπορεί να συνδεθούν με τα συμφέροντα του πελάτη αλλά ο πελάτης μπορεί να μην το αγοράζει. Η υψηλότερη εμπιστοσύνη ότι μια σύσταση είναι ακριβής προέρχεται από σαφή στοιχεία: Ο πελάτης αγοράζει το στοιχείο. Εναλλακτικά, το σύστημα μπορεί να ζητήσει ρητά από το χρήστη να αξιολογήσει τις συστάσεις του.

Ανάκληση

μετράει το σύνολο των πιθανών καλών συστάσεων που εμφανίζει το σύστημά σας. Σκεφθείτε την ανάκληση ως κατάλογο πιθανών συστάσεων, αλλά δεν είναι όλες τέλειες συστάσεις. Υπάρχει γενικά μια αντίστροφη σχέση με την ακρίβεια και την ανάκληση. Δηλαδή, καθώς η ανάκληση αυξάνεται, η ακρίβεια μειώνεται και αντίστροφα.