Hệ thống khuyến nghị (Recommender System) sử dụng technology AI để tiến hành phân tích cùng hiểu khối dữ liệu cá nhân, tự đó, gửi ra các dự đoán, gợi ý đề xuất cân xứng với sở trường của người dùng tại thời điểm ngẫu nhiên trên các ứng dụng và gốc rễ trực tuyến giúp huyết kiệm thời gian tìm kiếm, truy cập nội dung dễ dàng dàng, đồng thời, giúp doanh nghiệp cải thiện trải nghiệm khách hàng hàng.
Bạn đang xem: Hệ thống khuyến nghị
Nhắc đến AI, đa số người sẽ nghĩ ngay lập tức tới những ứng dụng dấn dạng ảnh, chatbot, giỏi xe từ bỏ lái. Trên thực tế, ứng dụng ai đó đã được sử dụng thịnh hành từ lâu với hiện có mặt trên đa số các căn cơ trực tuyến, không phải chỉ trong những ứng dụng nói trên mà trong các hệ thống khuyến cáo (recommender systems tuyệt RS).
Hệ thống khuyến nghị là những công nuốm và kỹ thuật phần mềm cung ứng các khuyến cáo về những hạng mục/nội dung đề xuất cho tất cả những người dùng. Các khuyến cáo liên quan mang lại các quá trình ra quyết định không giống nhau tại đầy đủ thời điểm ngẫu nhiên cho tín đồ dùng, lấy một ví dụ như mua sắm hóa nào, nghe nhạc gì hoặc thông báo tức gì. Hệ thống khuyến nghị hoàn toàn có thể sử dụng những kỹ thuật AI như học máy nhằm hiểu được sở trường của tín đồ dùng, nhờ vậy giới thiệu những dự kiến và lời khuyên những sản phẩm/dịch vụ/nội dung mà fan dùng có thể quan trung tâm (hàng hoá, phim, sách, video, tin tức, bài bác hát, khách sạn, khoá học, v.v.). Một số hệ thống khuyến nghị tiêu biểu bao gồm hệ thống của Amazon, Netflix và Youtube (hình 1, hình 2).
Lợi ích đem về của khối hệ thống khuyến nghị
Lý do cần có hệ thống lời khuyên là bởi con số sản phẩm/dịch vụ/nội dung được cung ứng trực tuyến quá nhiều và người dùng khó tìm kiếm được thứ bản thân cần. Khi người dùng vào website cung ứng sản phẩm, hệ thống khuyến nghị sẽ trả về một danh sách ngắn các sản phẩm mà người tiêu dùng nhiều kĩ năng sẽ chọn, tất cả thể bao hàm cả mọi thứ mà tín đồ đó ngần ngừ từ trước.
Như vậy, hệ thống khuyến nghị giúp tiết kiệm thời gian, tăng tốc độ tìm kiếm với giúp người dùng truy cập tới câu chữ họ thân thiện một cách tiện lợi hơn, đồng thời, nhắc nhở tới người tiêu dùng những khuyến cáo mới mà trước đây họ chưa từng biết đến. Với kỹ năng của hệ thống khuyến nghị, những doanh nghiệp sử dụng chúng để ra mắt sản phẩm tới người tiêu dùng, giúp ngày càng tăng doanh số nhờ những ưu đãi, sản phẩm, thương mại dịch vụ được khuyến cáo một cách cá nhân hóa, làm nâng cao trải nghiệm khách hàng hàng. Điều này nâng cấp lợi thế cạnh tranh của công ty và bớt thiểu tỉ lệ người sử dụng rời bỏ và mang đến với đối thủ tuyên chiến và cạnh tranh khi họ nhận biết doanh nghiệp hiểu yêu cầu của chúng ta và hỗ trợ cho họ những thứ chúng ta muốn.
Hệ thống khuyến cáo là thành phần không thể không có của những nền tảng trực tuyến hỗ trợ đa dạng các loại hình dịch vụ, từ những website thương mại dịch vụ điện tử tới nền tảng đào tạo và giảng dạy trực tuyến. Theo Mc
Kinsey, 35% doanh thu của Amazon được tạo ra từ các tương tác với hệ thống lời khuyên của thương hiệu này. Một thống kê không giống cũng cho thấy thêm 75% thời lượt view phim bên trên Netflix được triển khai nhờ các khuyến nghị được cá thể hoá (*).
Khác với những công rứa tìm tìm (search engine), hệ thống khuyến nghị chủ động đưa ra những dự đoán nhưng mà không cần người tiêu dùng yêu cầu. Trong khi những công ráng tìm kiếm đòi hỏi người dùng bắt buộc mô tả yêu cầu của mình, ví dụ dưới dạng các từ khoá, tức là người dùng cần biết bạn muốn gì, cũng giống như phải biết hệ thống có thể cung cấp thứ mình thích thì hệ thống đề xuất không phải cả hai thông tin này.
Vậy làm nỗ lực nào để khối hệ thống khuyến nghị hoàn toàn có thể đoán được người dùng muốn gì? theo phong cách đơn giản, số đông người hoàn toàn có thể ra quyết định bằng phương pháp làm theo fan khác. Ví dụ, lúc xem phim xong, ta có thể tìm được lối ra chỉ bằng cách đi theo mọi fan thay vị biết đúng mực cửa ra nằm ở vị trí đâu. Giống như như vậy, một người có tác dụng cao đi coi một bộ phim truyền hình đơn giản vày đó vẫn là phim bom tấn. Các phương thức khuyến nghị đơn giản và dễ dàng cũng áp dụng nguyên tắc này: lời khuyên những sản phẩm có tương đối nhiều người thích.
Đa số khối hệ thống khuyến nghị bây giờ cho phép cá nhân hoá khuyến nghị tới bạn dùng, tức là giới thiệu các dịch vụ, sản phẩm chỉ có một đội người thích, kề bên các sản phẩm đại chúng. Việc cá nhân hoá khuyến cáo đòi hỏi những thuật toán khuyến cáo hoàn thiện hơn. Ví dụ, thuật toán núm hệ đầu tìm kiếm kiếm những người dùng có kế hoạch sử bán buôn tương từ bỏ như người tiêu dùng mà hệ thống đang đề xuất đưa ra khuyến nghị (mua những thành phầm tương trường đoản cú trong thừa khứ), sau đó giới thiệu cho người dùng này những sản phẩm mà những người kia mới mua.
Các thuật toán cố kỉnh hệ tiếp theo sau ngày càng hoàn thiện và cho tác dụng tốt hơn. Một phương thức thường được nhắc đến là thừa số hoá ma trận. Theo phương thức này, mỗi cá nhân dùng sẽ tiến hành biểu diễn bên dưới dạng một vec tơ các con số, trong các số đó mỗi thành phần của vec tơ bộc lộ mức độ fan đó liên quan tới một số sở yêu thích nào đó. Chẳng hạn, trong trường hợp lời khuyên phim, một tín đồ dùng hoàn toàn có thể biểu diễn bởi vec tơ (hành động/0.8, hài/0.1, khiếp dị/0.2) diễn đạt đó là bạn thích phim hành vi và không ham mê phim hài tuyệt phim đáng sợ lắm. Tương tự, một bộ phim truyện có thể được biểu diễn dưới dạng (hành động/0.9, hài/0.3, tởm dị/0.0). Người dùng sẽ được đề xuất những phim gồm vec tơ biểu diễn tương tự như vec tơ của mình. Các vec tơ này được tính từ lịch sử hào hùng xem phim của người dùng nhờ một thuật toán riêng. Trên thực tế, các vec tơ biểu diễn thông thường có vài trăm bộ phận và các bộ phận không có chân thành và ý nghĩa rõ ràng như trong ví dụ như trên.
Các khối hệ thống khuyến nghị hiện nay thường thực hiện mạng nơ ron nhân tạo nhiều lớp với kỹ thuật học sâu để sản xuất biểu diễn người dùng và sản phẩm. Học tập sâu cho biết thêm những văn minh đầy hẹn hẹn trong số những năm vừa mới đây trong việc cung cấp các lời khuyên được cá thể hóa. Hệ thống dạng này cho phép học các quan hệ phức tạp giữa bạn dùng, thành phầm và tích thích hợp thêm các thông tin khác như ngữ cảnh diễn ra tương tác giữa người tiêu dùng với sản phẩm, tuyệt tích thích hợp thêm những thông tin biểu đạt sản phẩm. Điều này tiến hành được vị học sâu có chức năng tìm gọi các thay mặt phân tán trong những thuộc tính của người tiêu dùng và của món đồ trong không gian vectơ rậm rạp chiều rẻ và phối hợp chúng để ra mắt các mặt hàng tương xứng cho fan dùng. Với những tiện ích mang lại, những dịch vụ trực tuyến khét tiếng nhất hiện nay như Youtube, Netflix, Spotify, Pinterest, Amazon… những đã đưa sang hệ thống khuyến nghị sử dụng các kỹ thuật học sâu.
Các hệ thống khuyến cáo là một trong những lớp ứng dụng thành công và thông dụng nhất của trí óc nhân tạo. Với các dịch vụ trực tuyến càng ngày phát triển trẻ khỏe và vào vai trò quan tiền trọng, hệ thống khuyến cáo được liên tiếp ứng dụng rộng lớn rãi, đồng thời, thường xuyên được nghiên cứu, đổi mới để giới thiệu những công dụng khuyến nghị ngày một đúng mực và có thể được không ngừng mở rộng cho các dạng áp dụng mới.
I. Giới thiệu
Recommender Systems (RSs) là những khí cụ và nghệ thuật nhằm cung cấp đề xuất về một item cho người dùng. Những khuyến nghị này tương quan đến những quá trình ra quyết định khác nhau, ví dụ điển hình nên mua sắm và chọn lựa gì, nghe nhạc gì hoặc đọc tin tức sinh hoạt đâu.
"Item" là thuật ngữ chung nhằm mục đích ám chỉ cái mà hệ thống khuyến cáo với fan dùng. RSs công ty yếu tìm hiểu những cá nhân thiếu kinh nghiệm hoặc thẩm quyền để nhận xét tiềm năng của một số trong những "item" cơ mà chẳng hạn, một website rất có thể cung cấp. Trường vừa lòng nếu là một trong những hệ support sách thì nó sẽ cung ứng người dùng lựa chọn một cuốn sách nhằm đọc. Rõ ràng, có không ít lý do tại sao những website này lại muốn thực hiện RS:
Gia tăng thu nhập bán hàng: Đây có lẽ rằng là lý do đặc trưng nhất cho phần nhiều trang thương mại dịch vụ điện tử, dễ dàng và đơn giản là họ sẽ buôn bán thêm được sản phẩm so với đa số trang mà không thực hiện RS. RS đề xuất càng chính xác với nhu cầu người tiêu dùng thì trang web càng bán được rất nhiều hàng.Thỏa mãn nhu yếu khách hàng: Một RS có thiết kế và setup tốt sẽ nâng cao trải nghiệm tín đồ dùng. Người dùng sẽ thấy rằng hệ support này rất thú vị, chính xác, và với một UI có thiết kế hợp lý, quý khách sẽ muốn quay trở về website.Nắm được yêu cầu khách hàng: Một chức năng quan trọng khác của RS là có thể chấp nhận được ta thu thập được phản hồi của khách hàng hàng. Nếu quý khách không thích hầu như thứ mà bạn đề xuất, chúng ta vẫn rất có thể thu thập lại được những thông tin này với tái thực hiện nó để nâng cao độ đúng chuẩn của RS.
II. Một vài kỹ thuật thực hiện trong recommender system
Để setup chức năng chủ yếu của RS, xác minh một item hữu ích cho user nào đấy, một RS phải dự đoán xem liệu cửa nhà đấy gồm đáng để lấy vào gợi nhắc hay không.Có 6 dạng hình tiếp cận vấn đề gợi ý, bao gồm:
Content-based: hệ thống sẽ học tập để nhắc nhở những cửa nhà mà tương tự như với những cái mà user đã thích trong vượt khứ. Độ giống như giữa những item được tính dựa vào những đặc thù kết hợp với những thành quả được so sánh. Chẳng hạn, ví như user rate điểm cao cho một tập phim thuộc thể nhiều loại hài hước, thì hệ thống hoàn toàn có thể học để nhắc nhở những bộ phim truyền hình khác ở trong thể nhiều loại này.
Collaborative filtering (CF - lọc cộng tác): cách setup đơn giản nhất đến hướng tiếp cận này là gợi nhắc cho user các item mà đầy đủ user khác tất cả cùng sở thích đã thích hợp trong vượt khứ. Độ tương tự như về sở trường của 2 user được đo lường dựa trên mức độ giống như về lịch sử dân tộc rating của 2 user. Lọc hiệp tác được coi là kỹ thuật thông dụng và được áp dụng nhiều độc nhất trong RS.
Demographic: đúng thật tên gọi, kiểu hệ thống này sẽ gợi nhắc item dựa nhân khẩu học của user. Mang thuyết cho rằng những thị trường không giống nhau nên được nhắc nhở những thành tựu khác nhau. Chẳng hạn, user sẽ tiến hành điều hướng về những website khác biệt dựa trên ngôn từ và địa lý. Hay những việc gợi ý có thể chuyển đổi dựa bên trên tuổi của user. Tuy vậy cách tiếp cận này khá thông dụng trong mảng tiếp thị truyền thống, nhưng gồm rất ít phân tích khoa học về chuyên môn này.
Knowledge-based: khối hệ thống sẽ nhắc nhở item dựa vào miền kiến thức ví dụ rằng những đặc điểm nào của item đáp ứng nhu cầu được nhu cầu và nhu cầu của user, sau cùng là chiến thắng đó có hữu ích đến user giỏi không. Hệ thống này có khuynh hướng vận động tốt hơn các hệ thống khác khi bước đầu triển khai, nhưng nếu không được trang bị những thành phần hỗ trợ học thì nó hoàn toàn có thể bị quá qua bởi các phương thức khác mà hoàn toàn có thể khai thác lịch sử vẻ vang tương tác giữa user và thành quả (như lọc hợp tác chẳng hạn).
Community-based: nhắc nhở item dựa trên sở thích của anh em của user. Phong cách như câu "Hãy nói đến tôi biết bạn bè của bạn, tôi đã nói cho chính mình biết bạn là ai"
Hybrid recommender system: từ tên gọi chắc mọi người cũng đoán được rồi, khối hệ thống này dựa trên kết hợp của đa số kỹ thuật sẽ đề cập sinh sống trên. Lấy ví dụ, phương pháp CF sẽ chạm mặt vấn đề với những item mới, tức thị nó tất yêu sinh ra lưu ý cho các item mà chưa xuất hiện rating. Mặc dù điều đó lại không ảnh hưởng đến content-based vì cách thức này dự đoán cho các item mới dựa trên mô tả của chúng (các tính năng, sệt điểm). Với nhì kỹ thuật RSs cơ bản (hoặc những hơn) phối hợp lại tạo thành một hệ thống hybrid mới nhằm mục tiêu tận dụng ưu thế của chuyên môn này để bổ sung cho điểm yếu của nghệ thuật kia.
Trên đây chỉ nên định nghĩa qua loa về đều kỹ thuật thường dùng để xây dựng một hệ thống khuyến nghị. Ví dụ còn có khá nhiều vấn đề cần phải giải quyết, từ tích lũy dữ liệu, lọc nhiễu, chuẩn hóa dữ liệu (ví dụ dữ liệu về rating rất có thể có thang điểm không đồng nhất, một mặt là 1-5, một bên là 1-10 chẳng hạn), sự việc về data sparsity (cách xử lý khi dữ liệu ít cùng thưa), tiếp đó mới đến quy trình training dữ liệu và sở hữu đặt, sau cuối là cầu lượng, tấn công giá kết quả cuối cùng (precision, recall, ...).
Một lấy ví dụ như khá danh tiếng về RS là Netflix Prize, một hội thi được chủ xướng và tổ chức triển khai bởi Netflix năm 2009 nhằm mục đích tìm ra giải mã lọc hợp tác (CF) tốt nhất để dự kiến rating của user đến một bộ phim, dựa trên lịch sử dân tộc rating mà không có thêm bất kể thông tin gì về user tương tự như bộ phim. Giải thưởng trị giá $1.000.000 đã làm được trao mang đến đội Bell
Kor"s Pragmatic Chaos, đủ giúp xem việc cách tân độ chính xác cho lời giải cũng là 1 trong bước cực kì quan trọng. Bạn có thể đọc thêm thông tin ở home của hội thi Netflix
Prize.
III. Trong thực tế áp dụng
Những phân tích về RS đang triệu tập vào trong thực tế và vận dụng thương mại, vì ở bên cạnh đóng góp lý thuyết, nó thường xuyên nhằm cải thiện những RSs yêu quý mại. Vày đó, nghiên cứu và phân tích của RS liên quan đến các khía cạnh thực tế áp dụng mang lại việc thiết đặt các hệ thống này. Các khía cạnh này liên quan đến các giai đoạn không giống nhau trong vòng đời của RS, rõ ràng là việc thiết kế hệ thống, câu hỏi cài đặt, maintain và cải tiến trong thừa trình hoạt động vui chơi của hệ thống.
Những khía cạnh vận dụng cho giai đoạn xây đắp có thể tác động đến vấn đề lựa lựa chọn giải thuật. Nhân tố đầu tiên được chú ý sẽ là lĩnh vực của ứng dụng, vị nó tác động rất lớn đến hướng tiếp cận giải thuật. Dựa trên lĩnh vực ví dụ của ứng dụng, bạn cũng có thể xác định được hồ hết nhóm lĩnh vực thông dụng cho mọi hệ đề xuất thường dùng:
Giải trí: gợi ý phim, nhạc...Nội dung: gợi ý tài liệu, gợi nhắc website, vận dụng e-learning với lọc email.E-commerce: nhắc nhở khách hàng sản phẩm để mua.Dịch vụ: gợi ý dịch vụ du lịch, dịch vụ thương mại nhà nghỉ...Xem thêm: #1 xem bói tình yêu theo ngày sinh chính xác bằng thần số học
Tham khảo:
Recommender System Handbook - Francesco Ricci, Lior RokachNguồn tài liệu chính cho những quyển sách về RS chính là các bài xích nghiên cứu, báo cáo khoa học hay được liệt kê bên dưới mỗi chương sách, bạn cũng có thể tìm tìm và download về để xem thêm thêm.