sistem de recomandare. Utilizabilitate absolută

Când sistemele de recomandare abia începeau să fie implementate discret pe diverse resurse, părea o completare plăcută la procesul de auto-căutare. Atunci când alegerea produselor sau a oricărui conținut este suficient de mare, căutarea se transformă în o excursie amuzanta cu rezultate adesea imprevizibile. De exemplu, nu am fost niciodată interesat de filmele de groază, preferând filme dintr-o direcție ușor diferită, cu toate acestea, datorită îngrădirii aleatorii a conținutului, într-o zi am dat peste clasicul hellraiser, a cărui vizionare ocazională mi-a lăsat o impresie puternică și de neșters. Sunt sigur că fiecare dintre cititori s-a îmbogățit măcar o dată în sens cultural sau estetic tocmai datorită unei căutări aleatorii și a unor acțiuni la întâmplare. Pe de altă parte, am descoperit pentru mine o mulțime de lucruri interesante cu ajutorul recomandărilor pe care mi le oferă resursele tematice. Multe filme, cărți, muzică sau produse mi-au devenit cunoscute (și interesante) doar datorită funcționării cu succes a sistemului de recomandare. În mod grăitor, acum mă bazez aproape întotdeauna pe recomandări și mult mai rar caut ceva pe cont propriu, pentru că pur și simplu nu mai este timp pentru acestea din urmă!

Această stare de lucruri este exacerbată de faptul că văd în ce măsură algoritmii de recomandare au început să mă înțeleagă. Dacă hit-urile de succes mai devreme nu s-au întâmplat atât de des, astăzi măcar o bună jumătate din lucrurile recomandate mă interesează într-o măsură sau alta. Și când totuși încerc, în loc de o acceptare apatică a ceea ce mi se oferă, să găsesc singur ceva util, renunț rapid sub presiunea abundenței incredibile, fără precedent. Și cu cât mai departe, cu atât mai clară apare imaginea viitorului nu atât de îndepărtat, când realitatea înconjurătoare se va adapta continuu personalității tale, transformându-se și învățând constant. Niciodată în istoria omenirii confortul nu a fost atât de amenințător de absolut. Și niciodată până acum lacune pentru descoperiri întâmplătoare incredibile nu au fost eliminate atât de rapid și categoric.

Acceptând viitorul care vine așa cum este, merită să învățăm să-l evaluăm critic, identificând părțile dubioase sau chiar întunecate cu același zel cu care ne străduim să folosim inovațiile în viața de zi cu zi care ne ușurează lucrurile. Să încercăm să înțelegem subiectul conversației noastre de astăzi.

Metode de filtrare utilizate în sistemele de recomandare

Filtrare colaborativa

Filtrarea colaborativă este utilizată pe scară largă, nu în ultimul rând din cauza relativă ușurință de implementare. Principiul funcționării sale este într-adevăr simplu, deși poate fi împărțit în două abordări diferite.

Abordarea bazată pe utilizator ia în considerare asemănarea unui anumit utilizator cu alți utilizatori implicați în sistem. De exemplu, dacă Vasily le-a evaluat pozitiv pe Lady Gaga, Oasis și Led Zeppelin, atunci Anastasia, care îi iubește pe Lady Gaga și Led Zeppelin, ar putea foarte bine să încerce să ofere Oasis.

Conceptul de potrivire a obiectelor (respectiv bazat pe itemi), dimpotrivă, analizează obiectele în sine și dezvăluie asemănarea lor cu cele pe care Vasily i-au plăcut cândva. În practică, așa arată - lui Vasily i-au plăcut cândva Radiohead și Blur, de ce nu-i oferim și Oasis?

Filtrarea colaborativă vă permite să obțineți recomandări foarte precise și relevante bazate pe analiza și compararea diferențelor dintre utilizatorii cu comportament similar.

Vasily și Anastasia: recomandări reciproce automate bazate pe diferențe de preferințe.

Filtrarea conținutului

Compilări de filtrare a conținutului comunicatii interneîntre bunurile oferite sau orice conținut. Acest principiu simplu se manifestă prin recomandarea către utilizator a unor obiecte asemănătoare celor pe care acesta le selectase anterior. De exemplu, dacă achiziționați un manual de chitară de la o librărie, vi se vor oferi automat alte tutoriale sau manuale populare ale aceluiași autor. Un mare plus al sistemelor de recomandare care folosesc principiul de filtrare a conținutului este capacitatea de a interesa un utilizator nou cu oferte literalmente de la primii pași de consumator. Nu trebuie să colectați date despre preferințele unei persoane pentru o perioadă lungă de timp, puteți include imediat vizitatorul în lucrul cu resursa. De asemenea, un avantaj important al filtrarii continutului este abilitatea de a recomanda utilizatorului acele obiecte care nu sunt apreciate si ocolite de alti utilizatori. Ultimul moment apare adesea la utilizarea metodei colaborative.

Filtrarea conținutului ignoră complet opiniile utilizatorilor despre anumite obiecte. Construind conexiuni pur între obiectele în sine, avem posibilitatea de a oferi instantaneu, fără a colecta evaluări și informații personale suplimentare, unei persoane ceva similar cu postul care l-a interesat. Excluzând experiența utilizatorului din sistemul de recomandare ca substanță fundamentală, se pare că rezolvăm problema așa-zisului. „pornire la rece”, când raritatea datelor utilizatorului împiedică sistemul să genereze recomandări personalizate. in orice caz partea din spate filtrarea conținutului constă în recomandări complet nepotrivite și uneori pur și simplu ridicole de genul „Ați cumpărat un Toyota RAV4? S-ar putea să fiți interesat și de Toyota Highlander!”

O altă dificultate asociată cu utilizarea principiului de filtrare a conținutului este cantitatea impresionantă de muncă pentru a construi relații între toate obiectele din sistem. Dar principalul dezavantaj al acestei metode este exprimat într-o lovire foarte scăzută, și uneori destul de condiționată, asupra țintei. Filtrarea conținutului nu un grad înalt personalizare, deci acuratețea recomandărilor este relativ scăzută.

Filtrare bazată pe cunoștințe (Cunoştinţe– bazat sisteme)

Sistemele de acest tip sunt utilizate pe scară largă în magazinele online. De fapt, recomandările bazate pe cunoștințe sunt similare cu metoda anterioară de filtrare a conținutului, totuși, astfel de algoritmi folosesc o analiză mai profundă a obiectelor, construind conexiuni între ele nu după criterii banale de similitudine, ci bazate pe interconexiunea anumitor grupuri de produse.

În practică, arată așa - atunci când achiziționați, de exemplu, un smartphone, site-ul vă oferă accesorii potrivite pentru utilizare cu noul dispozitiv. Pot fi huse, căști, carduri de memorie și chestii de genul ăsta. Puteți stimula suplimentar cumpărătorul oferind o reducere la accesorii, care poate fi foarte utilă în legătură cu achiziția unui nou dispozitiv.

Recomandările bazate pe cunoștințe dau rezultate bune, crescând cifra de afaceri a rețelei mari etaje comerciale cu zeci de procente. În plus, spre deosebire de filtrarea conținutului, acest tip de recomandare este extrem de precisă, oferind utilizatorului ceea ce ar putea avea cu adevărat nevoie.

Dacă sunteți interesat de recomandări precise, atunci ar trebui să luați în considerare implementarea unui sistem bazat pe cunoștințe pe resursa dvs. La fel ca filtrarea conținutului, un sistem de recomandare bazat pe cunoștințe studiază și analizează relațiile dintre obiecte (produse), dar, în plus, ia în considerare o serie de opțiuni suplimentare legate de proprietățile individuale ale unui anumit utilizator.

a) Dorința utilizatorului. O situație familiară tuturor - site-ul îl îndeamnă pe utilizator să indice caracteristicile dorite, după care oferă produse potrivite solicitării.

Yandex.Market și casetele sale de selectare au succes și un prim exemplu sistem de recomandare care este ghidat de cerințele utilizatorului.

b) Caracteristici demografice. De fapt, cele mai mari rețele sociale, cum ar fi Facebook, LinkedIn, Vkontakte și altele, folosesc date demografice pentru a face recomandări.

Desigur, pentru a implementa un astfel de sistem, trebuie să munciți din greu - va trebui să colectați și să procesați o cantitate imensă de date.

Filtrare hibridă

Cel mai puternic și dificil de implementat instrument. Aparent, viitorul constă tocmai în combinarea diferitelor mecanisme de recomandare într-un singur algoritm puternic. Acel confort absolut și realitate personalizată, despre care vorbeam la începutul articolului, se va realiza tocmai cu ajutorul unui hibrid dintre cele mai metode eficiente recomandări.

Un astfel de exemplu este oferit de Netflix, al cărui sistem hibrid complex de recomandare, care demonstrează o acuratețe unică, este în permanență îmbunătățit și modernizat. Dezvoltarea unui algoritm atât de puternic se datorează în mare măsură finanțării generoase a cercetării în acest domeniu de către Netflix însuși, care în 2006 a oferit 1.000.000 de dolari pentru a-și îmbunătăți sistemul de recomandare cu 10%.

Echipa de dezvoltare Pragmatic Chaos a BellKor, care a reușit să îmbunătățească algoritmulNetflixcu 10,09%.

Câteva cuvinte despre pașii practici ca concluzie

Alegere tip specific filtrarea sau o combinație a mai multor metode depinde direct de doi factori - complexitatea proiectului dumneavoastră și valoarea finanțării acestuia. De exemplu, crearea unui algoritm pentru un sistem de bloguri tematice care se intersectează este o sarcină relativ simplă și moderat costisitoare. Proiectele mai mari și mai eterogene, cum ar fi magazinele online, sunt mai scumpe, mai ales dacă scopul este creșterea conversiei cu sume cu adevărat semnificative. De regulă, în astfel de proiecte nu este posibil să se limiteze la un singur tip de algoritm de recomandare și trebuie să se folosească filtrarea hibridă, în urma căreia costul și complexitatea dezvoltării cresc cu ordine de mărime.

Pentru a crea, implementa și depana un algoritm hibrid, veți avea nevoie de o întreagă echipă de dezvoltatori cu experiență, care sunt bine conștienți de ce este algebra liniară și relațională și, de asemenea, au o serie de abilități care fac din creatorii algoritmilor de recomandare practic o profesie separată.

Într-un fel sau altul, atunci când se dezvoltă un proiect care oferă utilizatorului posibilitatea de a selecta obiecte specifice din setul general, este necesar să se țină cont de progresul rapid al utilizabilității în absolut toate domeniile. viata umana– de la optimizarea somnului cu ajutorul dispozitivelor care analizează toate procesele care au loc în somn și emit recomandări pentru îmbunătățirea acestuia, până la selecția automată bunuri de zi cu zi pe baza nevoilor curente ale utilizatorului. După cum știți, o condiție indispensabilă pentru succesul oricărei întreprinderi este respectarea exactă a acesteia cu spiritul vremurilor.

Pe 28 aprilie 2016, am anunțat oficial lansarea primului curs adaptiv pe Stepic.org, care selectează sarcini Python în funcție de nivelul studentului. Anterior, am implementat și lecțiile recomandate pe platformă, astfel încât studenții să nu uite ceea ce au finalizat deja și să descopere noi subiecte care i-ar putea interesa.

Sub tăietură, există două subiecte principale:

• despre educația online, argumente pro/contra/capcane;
• clasificarea sistemelor de recomandare, aplicabilitatea lor în educație, exemple.

Despre educația online, avantajele, dezavantajele și capcanele sale

Această parte este mai introductivă, caracterizează educația online, detalii interesante ale sistemelor de recomandare sub imaginea următoare :)

ÎN lumea modernă educația online devine treptat din ce în ce mai populară. Oportunitatea de a învăța de la profesori de frunte institutii de invatamant, pentru a studia noi domenii, pentru a obține cunoștințele necesare muncii, fără a pleca de acasă, atrage un număr mare de oameni.

Una dintre cele mai comune forme de învățare online este Massive Open Online Courses (MOOC). Cel mai adesea acestea includ videoclipuri, diapozitive și continutul textului, pregătite de profesor, precum și sarcini de testare a cunoștințelor, care de obicei sunt verificate automat, dar este posibil și ca elevii să își verifice reciproc munca. Ca sarcini, pot fi oferite o mare varietate de tipuri de sarcini: de la alegere simplă răspunsul corect înainte de a scrie un eseu și chiar, așa cum avem pe Stepik, sarcini de programare cu verificare automată.

Educația online are propriile sale caracteristici care o deosebesc de educația convențională, offline. Printre avantaje, în primul rând, disponibilitatea deja menționată mai sus pentru toți cei care au acces la Internet. În al doilea rând, este o scalabilitate aproape nelimitată: datorită verificării automate a sarcinilor, mii de oameni pot studia cursul în același timp, ceea ce nu este comparabil cu cursurile convenționale din săli de clasă. În al treilea rând, fiecare elev poate alege un timp și un ritm convenabil pentru trecerea materialului. În al patrulea rând, profesorii au o cantitate mare de date despre modul în care utilizatorii își urmează cursurile, pe care le pot folosi pentru a-și analiza și îmbunătăți materialele.

În același timp, învățarea online are câteva dezavantaje. Spre deosebire de învățământul tradițional, unde studentul are întotdeauna o motivație sub forma unei evaluări a performanței sale academice, în cazul cursurilor online nu există penalități pentru nefinalizarea cursului. Din această cauză, proporția celor care au absolvit cursul celor care s-au înscris la acesta rareori depășește 10% (pe Stepik avem cel mai bun curs al lui Anatoly Karpov „Fundamentals of Statistics” conform EdCrunch Awards 2015, un record 17% dintre cei care s-au înscris la prima lansare, dar aceasta este mai degrabă o excepție). În plus, din cauza numărului mare de elevi, profesorul nu are posibilitatea de a acorda atenție individuală fiecărui elev în conformitate cu nivelul și capacitățile acestuia.

Ne-am propus să creăm un sistem de recomandare care să-l consilieze pe elev asupra conținutului care este interesant pentru el și să țină cont de nivelul său de pregătire și de lacunele în cunoștințe. În plus, sistemul trebuie să fie capabil să evalueze complexitatea conținutului. Acest lucru este necesar, în special, pentru recomandările adaptative care vor ajuta utilizatorul să studieze materialul, adaptându-se flexibil la acesta, oferind exact conținutul de care are nevoie acum pentru învățare. Un astfel de sistem ar beneficia utilizatorii cu recomandări personalizate de lecții care i-ar putea ajuta să învețe un anumit subiect sau să sugereze ceva nou.

În general, învățarea ar fi trebuit să devină și mai interesantă!

Unul dintre primele exemple moderne de sistem de recomandare este movielens.org, care sugerează filme utilizatorilor în funcție de preferințele acestora. Acest serviciu este interesant prin faptul că oferă tuturor un set extins de date despre filme și evaluări acordate de utilizatori. Acest set de date a fost folosit într-o mulțime de cercetări de recomandare în ultimele două decenii.

• Sisteme bazate pe filtrarea conținutului. Astfel de sisteme oferă utilizatorilor conținut care este similar cu ceea ce au studiat anterior. Asemănarea este calculată folosind caracteristicile obiectelor comparate. De exemplu, puteți utiliza proximitatea genului sau distribuția pentru a recomanda filme. Această abordare este utilizată în serviciul pentru evaluarea, căutarea și recomandarea filmelor Internet Movie Database.
• Sisteme care utilizează filtrarea colaborativă. În acest caz, utilizatorului i se oferă conținut care este de interes pentru utilizatori similari. Recomandările MovieLens se bazează pe această abordare.
• Sisteme hibride care combină cele două abordări anterioare. Acest tip de sistem este folosit de Netflix, un serviciu de vizionare online de filme și seriale.

Am creat un sistem hibrid cu o utilizare mai activă a filtrării de conținut și o utilizare mai puțin activă a filtrării colaborative.

Există o mulțime de cercetări privind sistemele de recomandare pentru învățarea îmbunătățită prin tehnologie. Specificul sarcinii în acest caz adaugă noi direcții pentru dezvoltarea sistemului de recomandare.

Care sunt caracteristicile sistemului de recomandare al unui proiect educațional?

În primul rând, este capacitatea de a construi un sistem de recomandare adaptiv care să se adapteze nevoilor utilizatorului la un moment dat și să îi ofere cele mai bune modalități de a studia materialul. În acest format, pot fi implementate diverse simulatoare, de exemplu, în matematică sau în orice limbaj de programare, conținând multe sarcini de complexitate diferită, dintre care diferiți elevi vor fi potriviti la un moment dat.

În al doilea rând, puteți extrage dependențele dintre materialele de instruire din datele despre modul în care utilizatorii le parcurg.

Aceste date pot ajuta la extragerea subiectelor individuale din materiale, a legăturilor dintre aceste subiecte, a relației lor în complexitate.

Coursera, EdX, Udacity (platforme de învățare online) își folosesc sistemele de recomandare pentru a consilia utilizatorii cu privire la cursurile de care ar putea fi interesați. Dezavantajul acestor recomandări este că pot oferi doar întregul curs, dar nu o parte din el, chiar dacă utilizatorul este doar interesat de el. De asemenea, un sistem astfel construit nu poate ajuta utilizatorul în studierea cursului pe care l-a ales.

Sistemul de recomandare a resurselor MathsGarden, pe de altă parte, funcționează cu cele mai mici bucăți de conținut - sarcini individuale. Este un simulator de aritmetică elementară pentru elevi scoala elementara, care oferă elevului sarcini care i se potrivesc cel mai bine acest moment timp pentru complexitate.
Pentru a face acest lucru, sistemul calculează și modifică dinamic caracteristica relativă a cunoștințelor elevului, precum și caracteristica complexității sarcinilor, dar mai multe despre aceasta mai târziu.

În articolele următoare, vom vorbi mai detaliat despre dispozitivul Stepic.org și implementarea sistemului de recomandare, vom defini ce este un sistem de recomandare adaptiv și vom analiza rezultatele în detaliu. Va fi distractiv:)

Să începem prin a defini ce este un sistem de recomandare. Acestea sunt programe și servicii care încearcă să determine ce doresc utilizatorii să vadă și să le ofere acestora (sau să le recomande, de unde și numele). Fiecare dintre noi trebuie să fi întâlnit trucuri similare pe diverse site-uri. Astăzi vom descrie tipurile, principiul de funcționare a unor astfel de programe și, de asemenea, vom oferi exemple ale acestor algoritmi în acțiune. Citiți până la sfârșit, va fi interesant!

Mai sus am descris ce sunt sistemele de recomandare, acum vom vorbi mai detaliat despre ce înseamnă acestea. Aceste programe au îmbunătățit modul în care site-ul interacționează cu vizitatorul, deoarece în loc să ofere informații statice, utilizatorul primește o experiență interactivă.

Recomandările sunt generate separat pentru fiecare persoană, pe baza acțiunilor sale anterioare pe o anumită resursă web sau pe baza activității anterioare. În plus, contează și comportamentul participanților anteriori la proces.

Pentru magazinele online, aceasta este, în principiu, o funcție importantă, iar pentru cataloage atât de mari precum Amazon, este una dintre puținele modalități de a lucra eficient. Metoda de recomandare în acest caz nu este o opțiune suplimentară obișnuită; oferă confortul navigării utilizatorului prin resursa web. Dacă Catalog digital conține peste 20.000 de articole de produs, orientarea pare deja prohibitiv de dificilă, ce să spun dacă există milioane de mărfuri?

Cât de obositor este un potențial cumpărător să interacționeze cu un astfel de site? Răspunsul este evident. Și un widget pentru căutarea unor produse similare vizual cu cel pe care îl cauți, sau aparținând aceluiași grup de produse, sau produse complementare (când se oferă o pereche de pantofi pentru a alege o geantă de mână, de exemplu) vine în ajutor. . Această decizie nu numai că crește numărul de vizualizări, ci are un efect pozitiv asupra conversiei.

După cum arată practica, nu numai magazinele online folosesc această tehnică. Rețelele de socializare nu sunt nici departe în urmă. Mai jos este un exemplu de la VKontakte.

De asemenea, astfel de tehnici pot fi văzute cu ușurință pe diverse platforme sociale, portaluri dedicate literaturii, călătoriilor, resurselor de știri, magazine online, într-un cuvânt – aproape peste tot. Această tehnică este într-adevăr foarte populară. Resursa web Kinopoisk este un alt exemplu accesibil.

Tehnici

Deci, primul tip este colectarea explicită de date. După cum puteți ghici din nume, utilizatorul însuși furnizează materialele necesare lucrării. De exemplu, atunci când sistemele de recomandare ale Yandex sau ale altor motoare de căutare cer unei persoane să evalueze diferite elemente, să facă o listă de favorite într-o anumită zonă sau să răspundă la câteva întrebări. Dacă o persoană refuză să ofere informații pe cont propriu, următoarea tehnică va fi relevantă.

Al doilea tip este colectarea implicită a datelor. Relativ vorbind, aceasta este o misiune de spionaj, conform căreia acțiunile unui participant la proces sunt înregistrate de program pentru procesare și aplicare ulterioară. Ce este nevoie pentru asta? Programul recunoaște achizițiile, evaluările pe site-uri, colectează informații despre vizualizări, comentarii. Desigur, alegerea unei astfel de tehnici duce la unele probleme etice, deoarece protecția datelor cu caracter personal este una dintre principalele cerințe pentru motoarele de căutare de către utilizator. Dar, în timp ce realitatea rămâne, un fel de supraveghere este posibilă, iar vizitatorii obișnuiți ai site-ului nu pot verifica dacă astfel de evenimente au loc cu adevărat.

Prima tehnică de bază se numește filtrare colaborativă. Recomandările care utilizează această tehnică sunt emise pe baza caracteristicilor comportamentale ale unei persoane sau ale unui grup de persoane, acesta din urmă fiind și mai eficient. Grupurile adună oameni care se aseamănă între ei ca comportament și caracteristici.

Să dăm un exemplu pentru a face informațiile mai ușor de înțeles. Se creează un site web unde lucrările muzicale vor fi recomandate publicului. Cum vor funcționa serviciile de recomandări bazate pe o metodologie colaborativă în acest caz? Conform acestui principiu: o comunitate va fi luată ca bază, unde participanții adaugă melodii de același gen la lista de redare. În plus, cele mai populare dintre toate piesele muzicale sunt determinate și recomandate unui utilizator din grup care nu a ascultat încă această melodie.

A doua abordare se numește filtrare bazată pe conținut. Aici recomandarea se formează pe baza comportamentului uman. Când utilizați această abordare, istoricul de navigare al unui anumit participant poate fi, de asemenea, luat ca bază.

De data aceasta vom da un exemplu cu reviste tematice online. Deci, în cazul în care o persoană a citit anterior materiale despre ciclism montan și a comentat în mod regulat articole de blog cu un astfel de conținut, atunci metoda de filtrare a conținutului va folosi aceste informații anterioare pentru a identifica resurse similare și a le oferi ca recomandare pentru acest utilizator.

Există, de asemenea, abordări mixte, în conformitate cu care se realizează dezvoltarea unui sistem de recomandare.

O abordare mixtă este o combinație de filtrare colaborativă și de conținut. După cum știți, mai mult este mai bine, așa că amestecarea acestor două metode crește eficacitatea sistemelor de recomandare, și anume, ele măresc semnificativ acuratețea prognozelor pentru anumite persoane.

Algoritmi

corelația Pearson

Acest algoritm vă permite să selectați Caracteristici generaleîntre mai mulți utilizatori. Cum? Cu ajutorul matematicii simple, și anume definirea unei relații liniare între două elemente. Punct important- această tehnică nu este potrivită pentru o comunitate de oameni.

Clustering

Acest principiu de funcționare al sistemelor de recomandare se bazează pe evidențierea asemănării dintre elemente (utilizatori) prin calcularea apropierii acestora între ele în așa-numitul spațiu de caracteristici. Semnele sunt acele elemente asupra cărora converg interesele anumitor participanți la proces (pentru resurse muzicale, acestea sunt piese, pentru portaluri de film, filme). Utilizatorii cu caracteristici similare sunt grupați în așa-numitele clustere.

Algoritm de filtrare colaborativă

Hard clustering-ul poate fi înlocuit cu un alt algoritm care funcționează după o formulă destul de complexă și, ca toate precedentele, se bazează pe comportamentul utilizatorilor din grupul său. Cu toate acestea, această tehnică are câteva dezavantaje destul de semnificative. În primul rând, este greu pentru utilizatorii noi sau atipici (cei care nu se grupează) să găsească recomandări. În al doilea rând, așa-numita „pornire la rece”, când obiectele noi nu intră în sistemele de recomandare.

Algoritmul de filtrare a conținutului

Algoritmul este simetric cu cel anterior, dar dacă în primul caz am plecat de la presupunerea că utilizatorului îi va plăcea obiectul pentru că îi plac „colegii de clasă”, atunci aici vom recomanda pe baza unor obiecte similare pe care le-a notat deja se. Și aici, în mod tradițional, pot fi identificate mai multe probleme. Același „pornire la rece” și faptul că recomandările sunt adesea banale.

În loc de concluzie

Așadar, am oferit toate informațiile pe care un începător sau un profan ar trebui să le cunoască despre sistemele de recomandare. Să fim sinceri, algoritmii sunt oarecum dificili pentru o persoană nepregătită, așa că nu există formule matematice în acest articol, deși algoritmii se bazează pe ei.

Programele de recomandare sunt servicii utile atât pentru utilizatorii obișnuiți de Internet, cât și pentru cercetători și pentru oamenii de afaceri online. Cei care doresc să crească conversiile și numărul de vizualizări ar trebui să acorde atenție acestei tehnici și să fie sigur că o implementează pentru a crește eficiența unei resurse web, în ​​special a unui magazin online.