یک تکنیک جدید می‌تواند رفتار مشتری را در الگوریتم‌های توصیه – ScienceDaily وارد کند


الگوریتم‌های توصیه می‌توانند با پیشنهاد محصولات مکمل هر زمان که خریدار محصولی را به سبد خرید خود اضافه می‌کند، تجربه خرید آنلاین مشتری را سریع‌تر و کارآمدتر کند. آیا مشتری کره بادام زمینی خریده است؟ الگوریتم چندین مارک ژله را برای اضافه کردن در مرحله بعدی توصیه می کند.

این الگوریتم‌ها معمولاً با مرتبط کردن اقلام خریداری‌شده با اقلامی که سایر خریداران اغلب در کنار آنها خریداری کرده‌اند، کار می‌کنند. اگر عادات، سلایق یا علایق خریدار شباهت زیادی به مشتریان قبلی داشته باشد، چنین توصیه‌هایی ممکن است باعث صرفه‌جویی در زمان، تضعیف حافظه و افزوده شدن به تجربه خرید شود.

اما اگر خریدار در حال خرید کره بادام زمینی برای پر کردن اسباب بازی سگ یا طعمه کردن تله موش باشد، چه؟ اگر خریدار عسل یا موز را با کره بادام زمینی خود ترجیح دهد چه؟ الگوریتم توصیه پیشنهادات کمتر مفیدی را ارائه می‌کند و به قیمت فروش خرده‌فروش تمام می‌شود و به طور بالقوه مشتری را آزار می‌دهد.

تحقیقات جدید به رهبری نگین انتظاری، که اخیراً مدرک دکترا در رشته علوم کامپیوتر در UC Riverside، همکاران Instacart و مشاور دکتری او واژلیس پاپالکساکیس دریافت کرده است، روشی به نام تجزیه تانسور را ارائه می دهد – که توسط دانشمندان برای یافتن الگوها در حجم عظیم داده استفاده می شود. – وارد دنیای تجارت شوید تا محصولات مکمل را با دقت بیشتری برای ترجیحات مشتری توصیه کنید.

تانسورها را می‌توان به صورت مکعب‌های چند بعدی در نظر گرفت و برای مدل‌سازی و تحلیل داده‌ها با اجزای مختلف، که داده‌های چند جنبه‌ای نامیده می‌شوند، استفاده می‌شوند. داده های نزدیک به داده های دیگر را می توان در یک آرایش مکعبی و مرتبط با مکعب های دیگر برای کشف الگوهای موجود در داده ها متصل کرد.

انتظاری گفت: می توان از تانسورها برای نشان دادن رفتارهای خرید مشتریان استفاده کرد. “هر حالت از یک تانسور 3 حالته می تواند یک جنبه از یک تراکنش را به تصویر بکشد. مشتریان یک حالت از تانسور را تشکیل می دهند و حالت دوم و سوم با در نظر گرفتن محصولاتی که در یک تراکنش مشترک خریداری شده اند، تعاملات محصول به محصول را به تصویر می کشند.”

به عنوان مثال، سه خریدار فرضی – A، B و C – خریدهای زیر را انجام می دهند:

پاسخ: هات داگ، نان هات داگ، کوکاکولا و خردل را در یک معامله می خرد. ب: سه معامله جداگانه انجام می دهد: سبد 1: هات داگ و نان هات داگ. سبد 2: کک. سبد 3: خردل ج: هات داگ، نان هات داگ و خردل در یک معامله.

در یک الگوریتم مبتنی بر ماتریس مرسوم، مشتری A با مشتری B یکسان است زیرا آنها موارد مشابهی را خریداری کرده اند. با این حال، با استفاده از تجزیه تانسور، مشتری A ارتباط نزدیکتری با مشتری C دارد زیرا رفتار آنها مشابه بود. هر دو محصولات مشابهی داشتند که در یک تراکنش مشترک خریدند، حتی اگر خریدهایشان کمی متفاوت بود.

الگوریتم توصیه معمولی بر اساس کالایی که مشتری به تازگی خریداری کرده است، پیش‌بینی می‌کند، در حالی که تجزیه تانسور می‌تواند بر اساس آنچه در حال حاضر در کل سبد کاربر وجود دارد، توصیه‌هایی ارائه دهد. بنابراین، اگر یک خریدار غذای سگ و کره بادام زمینی را در سبد خود داشته باشد اما نان نداشته باشد، یک الگوریتم توصیه مبتنی بر تانسور ممکن است به جای ژله، اسباب‌بازی جویدنی سگ را پیشنهاد کند، اگر سایر کاربران نیز آن خرید را انجام داده باشند.

پاپالکساکیس، دانشیار علوم و مهندسی کامپیوتر می گوید: «تانسورها ساختارهای چند بعدی هستند که امکان مدل سازی داده های پیچیده و ناهمگن را فراهم می کنند. “به جای اینکه به سادگی متوجه شوید کدام محصولات با هم خریداری می شوند، بعد سومی وجود دارد. این محصولات توسط این نوع کاربر خریداری می شوند و الگوریتم سعی می کند تعیین کند که کدام نوع از کاربران این تطابق را ایجاد می کنند.”

انتظاری، پاپالکساکیس و نویسندگان همکار Haixun Wang، Sharath Rao و Shishir Kumar Prasad که همگی محققین Instacart هستند، برای آزمایش روش خود، از مجموعه داده عمومی Instacart برای آموزش الگوریتم خود استفاده کردند. آنها دریافتند که روش آنها بهتر از روش های پیشرفته برای پیش بینی توصیه های محصول مکمل خاص مشتری است. اگرچه به کار بیشتری نیاز است، نویسندگان به این نتیجه رسیدند که تجزیه تانسور کلان داده در نهایت می‌تواند خانه‌ای در تجارت بزرگ نیز پیدا کند.

پاپالکساکیس می‌گوید: «روش‌های تانسور، حتی با وجود ابزارهای بسیار قدرتمند، همچنان در تحقیقات دانشگاهی تا آنجایی که سیستم‌های توصیه‌ای پیش می‌روند، محبوب‌تر هستند». برای اینکه صنعت آنها را بپذیرد، باید نشان دهیم که جایگزین کردن هر چیزی که قبلاً کار می کند، ارزشمند و نسبتاً بی دردسر است.”

در حالی که تحقیقات قبلی مزایای مدل‌سازی تانسور را در مسائل توصیه‌ها نشان داده است، انتشار جدید اولین موردی است که این کار را در تنظیم موارد مکمل توصیه می‌کند و روش‌های تانسور را به پذیرش صنعتی و انتقال فناوری در زمینه سیستم‌های توصیه نزدیک‌تر می‌کند.

روش‌های تانسور قبلاً با موفقیت توسط صنعت پذیرفته شده‌اند، که شیمی‌سنجی و کیفیت غذا نمونه‌های بسیار خوبی هستند، و هر تلاشی مانند کار ما تطبیق پذیری روش‌های تانسور را در توانایی مقابله با چنین طیف وسیعی از مشکلات چالش برانگیز در حوزه‌های مختلف نشان می‌دهد. پاپالکساکیس.



منبع

Matthew Newman

Matthew Newman Matthew has over 15 years of experience in database management and software development, with a strong focus on full-stack web applications. He specializes in Django and Vue.js with expertise deploying to both server and serverless environments on AWS. He also works with relational databases and large datasets
[ Back To Top ]