En émettant des invites et en prédisant les événements, l'intelligence artificielle forme des systèmes de recommandation pour la rotation des biens et services adaptés aux demandes des utilisateurs, en se concentrant sur leurs préférences. Selon l'idée, ce processus devrait se produire presque instantanément : la répartition des produits par catégorie, la création automatique d'un pool de produits connexes en fonction de la ligne associative et la manipulation du grand jour. Mais en réalité, l'intelligence artificielle ne suit pas l'évolution des préférences des utilisateurs et fait souvent simplement des erreurs lors du classement des produits en fonction des demandes précédentes. En conséquence, les places de marché proposent aux hommes adultes des ensembles de vêtements pour poupées, qui, une fois sa carte utilisée, ont été commandés par une fille d'écolière, et les enfants reçoivent « en cadeau » de nouvelles marques d'huile pour machines et des abonnements à des séminaires d'entreprise.
Frapper le client
Souvent, les systèmes génèrent des recommandations erronées ou non pertinentes, et en grande quantité, à l'aide d'un algorithme qui ne résiste pas à la triche et au piratage. Ainsi, les boutiques en ligne sont confrontées au problème de la faible efficacité des recommandations générées.
Pour éviter que cela ne se produise, les créateurs de réseaux de neurones doivent résoudre le problème de l'identification précise des tendances des changements et des préférences des utilisateurs. C'est-à-dire que les moteurs de recommandation doivent apprendre à prédire non seulement la réaction à l'offre d'un produit ou d'un service, mais aussi à proposer des options similaires ou alternatives (en fonction de la réaction de l'utilisateur).
Dans le commerce électronique, les systèmes collaboratifs, de contenu et de recommandation d'experts fonctionnant séparément peuvent échouer, et un hybride doit être créé. Un algorithme de recommandation hybride flexible combinera les données de plusieurs canaux au fil du temps. Des techniques pondérées, augmentées, mixtes et aléatoires peuvent y être appliquées en même temps.
L'algorithme de filtrage collaboratif ressemble à ceci. Étant donné une matrice de préférences et la possibilité de déterminer la similarité à l'aide d'une mesure en cosinus, vous devrez sélectionner le nombre d'utilisateurs ayant des goûts similaires. Calculez la mesure du cosinus pour chaque utilisateur, multipliez ses notes par la mesure résultante et calculez la somme des notes calibrées pour chaque produit. La formule de l'algorithme ressemble à ceci.
La fonction sim est une mesure de la similarité de deux utilisateurs.
U — .
r — .
k — , :
rec = makeRecommendation (‘ , (), , ).
, , , , . – . , «» , . , – . , , .
, . 5%, 12%. , , . , , . , , , .
, . , . , , , .
, , . , . , . json.
, , , «» . .
, . «» , - , .
, , , - , , , . , , – - . , , .