[ad_1]
Алгоритмы рекомендаций могут сделать процесс покупок в Интернете более быстрым и эффективным, предлагая дополнительные продукты всякий раз, когда покупатель добавляет товар в свою корзину. Клиент купил арахисовое масло? Алгоритм рекомендует несколько марок желе, чтобы добавить дальше.
Эти алгоритмы обычно работают, связывая купленные товары с товарами, которые другие покупатели часто покупали вместе с ними. Если привычки, вкусы или интересы покупателя очень похожи на привычки, вкусы или интересы предыдущих покупателей, такие рекомендации могут сэкономить время, освежить память и стать приятным дополнением к покупкам.
Но что, если покупатель покупает арахисовое масло, чтобы набить игрушку для собаки или приманку для мышеловки? Что, если покупатель предпочитает мед или бананы с арахисовым маслом? Алгоритм рекомендаций будет предлагать менее полезные предложения, что будет стоить продавцу продажи и потенциально раздражать покупателя.
Новое исследование под руководством Негина Энтезари, которая недавно получила докторскую степень в области компьютерных наук в Калифорнийском университете в Риверсайде, сотрудников Instacart и ее докторского советника Вагелиса Папалексакиса, привносит методологию, называемую тензорной декомпозицией, которую ученые используют для поиска закономерностей в огромных объемах данных. мир коммерции, чтобы рекомендовать дополнительные продукты, более точно соответствующие предпочтениям клиентов.
Тензоры можно представить в виде многомерных кубов, которые используются для моделирования и анализа данных с множеством различных компонентов, называемых многоаспектными данными. Данные, тесно связанные с другими данными, могут быть объединены в структуру куба и связаны с другими кубами для выявления закономерностей в данных.
«Тензоры можно использовать для представления покупательского поведения клиентов», — сказал Энтезари. «Каждый режим трехрежимного тензора может отражать один аспект транзакции. Клиенты формируют один режим тензора, а второй и третий режим фиксируют взаимодействия между продуктами, рассматривая продукты, совместно приобретенные в одной транзакции».
Например, три гипотетических покупателя — А, В и С — совершают следующие покупки:
A: Покупает хот-доги, булочки для хот-догов, кока-колу и горчицу за одну транзакцию.
B: Совершает три отдельные сделки: Корзина 1: Хот-доги и булочки для хот-догов; Корзина 2: кока-кола; Корзина 3: Горчица
C: Хот-доги, булочки для хот-догов и горчица за одну транзакцию.
Для обычного матричного алгоритма клиент А идентичен покупателю Б, потому что они купили одни и те же товары. Однако при использовании тензорной декомпозиции клиент А более тесно связан с клиентом С, поскольку их поведение было схожим. У обоих были одинаковые продукты, купленные совместно в одной транзакции, хотя их покупки немного различались.
Типичный алгоритм рекомендаций делает прогнозы на основе товара, который только что приобрел покупатель, в то время как тензорная декомпозиция может давать рекомендации на основе того, что уже находится в полной корзине пользователя. Таким образом, если у покупателя в корзине есть корм для собак и арахисовое масло, но нет хлеба, алгоритм рекомендации на основе тензора может предложить наполняемую жевательную игрушку для собак вместо желе, если другие пользователи также совершили эту покупку.
«Тензоры — это многомерные структуры, которые позволяют моделировать сложные разнородные данные», — сказал Папалексакис, доцент кафедры информатики и инженерии. «Вместо того, чтобы просто замечать, какие продукты покупаются вместе, существует третье измерение. Эти продукты покупаются такими пользователями, и алгоритм пытается определить, какие пользователи создают это совпадение».
Чтобы проверить свой метод, Энтезари, Папалексакис и соавторы Хайсун Ван, Шарат Рао и Шишир Кумар Прасад, все исследователи Instacart, использовали общедоступный набор данных Instacart для обучения своего алгоритма. Они обнаружили, что их метод превосходит современные методы прогнозирования рекомендаций по дополнительным продуктам для конкретных клиентов. Хотя требуется дополнительная работа, авторы приходят к выводу, что тензорная декомпозиция больших данных может в конечном итоге найти применение и в большом бизнесе.
«Тензорные методы, несмотря на то, что они являются очень мощными инструментами, по-прежнему более популярны в академических исследованиях в том, что касается рекомендательных систем», — сказал Папалексакис. «Чтобы промышленность приняла их, мы должны продемонстрировать, что стоит и относительно безболезненно заменять то, что у них уже работает».
В то время как предыдущие исследования показали преимущества тензорного моделирования в рекомендательных задачах, новая публикация является первой, в которой это делается в отношении рекомендаций по дополнительным элементам, что приближает тензорные методы к промышленному внедрению и передаче технологий в контексте рекомендательных систем.
«Тензорные методы успешно применялись промышленностью и раньше, отличными примерами являются хемометрия и качество пищевых продуктов, и каждая попытка, подобная нашей работе, демонстрирует универсальность тензорных методов в решении такого широкого круга сложных задач в различных областях», — сказал он. Папалексакис.
Документ «Рекомендации по дополнительным продуктам на основе Tensor» был представлен на IEEE Big Data 2021. [2021 IEEE International Conference on Big Data] и доступен здесь. Работа, начавшаяся как проект стажировки Энтезари в Instacart, частично финансировалась Национальным научным фондом.
Связанный
[ad_2]
Source