Costruire un sistema di raccomandazione per dati di feedback impliciti

Sistema di raccomandazione per feedback impliciti

Fornire raccomandazioni personalizzate senza conoscere i tuoi utenti.

Ogni sistema di raccomandazione è diverso e alcuni di essi sono molto più facili da costruire rispetto ad altri. Pensiamo a Netflix. Sanno tutto su ciascuno dei loro film, hanno dati personali ricchi degli utenti e un’abbondanza di dati prodotti dagli utenti: riproduzioni, valutazioni, tempo di visione e così via. In questo ambiente ricco di dati, si può essere sicuri che i dati disponibili contengano le informazioni necessarie per produrre un buon modello. Tuttavia, a volte non abbiamo molti dati sui nostri utenti o sui nostri prodotti. Ecco cosa fare in questi casi.

Feedback implicito

L’ambiente in cui non ci sono dati disponibili per descrivere i nostri utenti, i nostri prodotti o il sentimento delle interazioni utente-prodotto è noto come feedback implicito. L’unico dato che abbiamo in questo caso è quante volte si è verificata un’interazione tra ciascun utente e prodotto, ad esempio quante volte un dato utente ha ascoltato un dato artista. Non sappiamo però se hanno apprezzato gli artisti o meno; non ci sono valutazioni disponibili.

I dati del feedback implicito comprendono solo il conteggio delle interazioni tra ciascun utente e prodotto.

• Prevedere la retrosintesi in un solo passaggio incorporando le intuizioni dei chimici con i modelli di intelligenza artificiale
• Principi di gestione dei dati per la Data Science
• QCNet Rivoluzionare la sicurezza dei veicoli autonomi con una predizione avanzata della traiettoria

Certo, se qualcuno ascolta molto una band, potremmo dedurre che deve piacerle. Ma è proprio questo: una nostra deduzione. I dati stessi forniscono solo informazioni sul numero delle interazioni. Inoltre, il fatto che un utente non abbia ascoltato un artista non significa che non gli sarebbe piaciuto se lo avesse ascoltato.

Le situazioni di feedback implicito sono piuttosto comuni, specialmente al di fuori delle grandi aziende tecnologiche e rappresentano un paio di sfide. Ci impediscono di utilizzare metodi di filtraggio basati sui contenuti a causa della mancanza di dati sulle caratteristiche dei prodotti. Il filtraggio basato sui contenuti utilizzerebbe le caratteristiche dei prodotti per trovare prodotti simili a quelli che piacciono a un utente.

Un approccio alternativo è noto come filtraggio collaborativo. Qui, sfruttiamo le interazioni passate dell’utente target e di utenti simili per consigliare prodotti pertinenti. Tuttavia, dobbiamo tenere presente il fatto che ci manca il sentimento delle interazioni utente-prodotto durante l’implementazione della collaborazione…