El mundo se está transformando de la era del conocimiento a la era de las recomendaciones. Muchas empresas ya han adoptado con éxito los sistemas de recomendación, como una forma de mejorar sus resultados.
Pero es posible que se pregunte qué es exactamente el filtrado colaborativo y cómo encaja en el panorama general.
Para hacerlo mas simple,filtración colaborativaes un sistema de recomendación que crea una predicción basada en los comportamientos previos de un usuario.
Los sistemas de recomendación se han abierto camino en nuestro día a día navegando en línea y se han vuelto ineludibles en el viaje de cualquier usuario en línea.
Es por eso que este artículo te ayudará a entender:
- ¿Qué es el filtrado colaborativo?
- ¿Cuáles son los tipos de sistemas de recomendación?
- Pros y contras del filtrado colaborativo
¿Necesita un sistema de recomendación? En Iterators, hemos diseñado, creado y mantenido soluciones de software personalizadas tanto para empresas emergentes como empresariales.
Planificar unaconsulta gratiscon iteradores hoy. Estaremos encantados de ayudarle a encontrar la solución de software adecuada para ayudar a su empresa.
¿Por qué necesitamos sistemas de recomendación?
El principal objetivo del sistema es proporcionar la mejor experiencia de usuario. Por lo tanto, las empresas se esfuerzan por conectar a los usuarios con las cosas más relevantes de acuerdo con su comportamiento pasado y lograr que se enganchen a su contenido.
El sistema de recomendación sugiere qué texto se debe leer a continuación, qué película se debe ver y qué producto se debe comprar, creando un factor de permanencia en cualquier producto o servicio. Sus algoritmos únicos están diseñados para predecir el interés de los usuarios y sugerir diferentes productos a los usuarios de muchas maneras diferentes y mantener ese interés hasta el final.
No hace falta decir que vemos la implementación de este sistema en nuestra vida diaria. Muchos vendedores en línea implementan sistemas de recomendación para generar ventas a través del aprendizaje automático (ML). Muchas empresas minoristas generan un alto volumen de ventas al adoptar e implementar este sistema en sus sitios web. Las organizaciones pioneras en utilizar recomendadores como Netflix y Amazon han introducido sus algoritmos de sistemas de recomendación para enganchar a sus clientes.
Antes de profundizar en la mecánica, es necesario saber que este sistema elimina información inútil y redundante. Filtra inteligentemente toda la información antes de mostrársela a los usuarios principales.
Para comprender mejor el sistema de recomendación, es imprescindible saber que existen tres enfoques:
- Filtrado basado en contenido
- Filtración colaborativa
- modelo híbrido
Echemos un vistazo más de cerca a los tres para ver cuál podría adaptarse mejor a su producto o servicio.
1. Filtrado basado en contenido
Se requieren muchas de las funciones del producto para implementar el filtrado basado en el contenido en lugar de la interacción o los comentarios de los usuarios. Es una técnica de aprendizaje automático que se utiliza para decidir los resultados en función de las similitudes del producto.
Filtrado basado en contenidoLos algoritmos están diseñados para recomendar productos basados en el conocimiento acumulado de los usuarios. Esta técnica se trata de comparar el interés del usuario con las características del producto, por lo que es esencial proporcionar una característica significativa de los productos en el sistema. Debe ser la primera prioridad antes de diseñar un sistema para seleccionar las características favoritas de cada comprador.
Estas dos estrategias se pueden aplicar en una posible combinación. En primer lugar, se proporciona una lista de funciones al usuario para seleccionar las funciones más interesantes.
En segundo lugar, los algoritmos mantienen el registro de todos los productos elegidos por el usuario en el pasado y componen los datos de comportamiento del cliente. El perfil del comprador gira en torno a las elecciones, gustos y preferencias del comprador y da forma a la calificación del comprador. Incluye cuántas veces un solo comprador hace clic en productos interesados o cuántas veces le gustan esos productos en las listas de deseos.
El filtrado basado en contenido consiste en una similitud entre los elementos. La proximidad y la similitud del producto se miden en función del contenido similar del artículo. Cuando hablamos del contenido, se incluye el género, la categoría del artículo, etc.
Tomemos el ejemplo de los sistemas de recomendación en las películas. Supongamos que tiene cuatro películas en las que al usuario le gustan solo dos al principio. Aún así, los 3rdla pelicula es similar a la 1callepelícula en cuanto al género, por lo que el sistema sugerirá automáticamente las 3rdpelícula. Es algo que genera automáticamente un sistema de recomendación basado en contenido basado en la similitud del contenido.
Solo imagine el poder de los sistemas de recomendación basados en contenido, y las posibilidades son infinitas. Por ejemplo, cuando tenemos una película de drama que el usuario no ha visto o le ha gustado antes, este género será excluido por completo de su perfil. Por lo tanto, un usuario solo obtiene su recomendación del género que ya existe en su perfil. El sistema nunca sugeriría ninguna película fuera de sus géneros para presentar la mejor experiencia de usuario.
Volvamos al ejemplo de la película. Imagine que solo tiene seis conjuntos de datos de películas. En aras de la claridad, digamos que el usuario ha visto estas seis películas. Luego, se asigna el género de todas las películas, es decir, Superhéroe, aventura, comedia y ciencia ficción, y a cada película se le asigna uno o una combinación de géneros.
Ahora avanzando más, el usuario ha visto y calificado tres películas y le ha otorgado una calificación de 2 de 10 al 1callepelícula, 10 a la 2Dakota del Nortepelícula, y 8 de 10 a los 3rdpelícula. Después de estas calificaciones, el sistema de recomendación necesita hacer cálculos basados en un perfil de usuario. Además, el sistema recomendará la película más adecuada según los cálculos.
El sistema de filtrado basado en el contenido no requiere ninguna información del comprador, ya que la sugerencia es solo específica para el comprador y facilita la escala para muchos compradores. Este sistema captura el interés del usuario y sugiere artículos que pocos compradores usan.
2. Filtrado colaborativo
El filtrado colaborativo necesita un conjunto de elementos que se basan en las elecciones históricas del usuario. Este sistema no requiere una buena cantidad de características del producto para funcionar. Un vector de función o incrustación describe cada elemento y usuario, y hunde tanto los elementos como los usuarios en una ubicación de incrustación similar. Crea recintos para elementos y usuarios por sí solo.
Las reacciones de otros compradores se tienen en cuenta al sugerir un producto específico al usuario principal. Realiza un seguimiento del comportamiento de todos los usuarios antes de recomendar qué elemento les gusta más a los usuarios. También relaciona usuarios similares por similitud en preferencia y comportamiento hacia un producto similar al proponer un producto al cliente principal.
Se utilizan dos fuentes para registrar la interacción de un usuario del producto. En primer lugar, a través de comentarios implícitos, los gustos y disgustos de los usuarios se registran y notan mediante sus acciones, como clics, escuchar pistas de música, búsquedas, registros de compras, páginas vistas, etc.
Por otro lado, la retroalimentación explícita es cuando un cliente especifica lo que no le gusta o lo que le gusta calificando o reaccionando contra un producto específico en una escala de 1 a 5 estrellas. Esta es una retroalimentación directa de los usuarios para mostrar que les gusta y no les gusta el producto. Incluye comentarios tanto positivos como negativos.
Filtración colaborativaes el motor de sugerencias de aplicaciones más famoso y se basa en conjeturas calculadas; las personas a las que les gustó el producto disfrutarán del mismo producto en el futuro. Este tipo de algoritmo también se conoce comocambio colaborativo basado en productos. En este Filtrado, los usuarios son filtrados y asociados con cada Usuario en lugar de elementos. En este sistema, solo se considera el comportamiento de los usuarios. Solo su contenido e información de perfil no es suficiente. El Usuario que dé una valoración positiva a los productos se asociará con el comportamiento de otro Usuario que dé una valoración similar.
La idea principal detrás de este enfoque es sugerir nuevos artículos basados en la cercanía en el comportamiento de clientes similares.
Para entender el concepto, analicemos otro ejemplo. Si planea ver una nueva película, generalmente preguntará a sus amigos y buscará sus recomendaciones. Esto se basa en la premisa de que los usuarios confían en sus amigos porque están seguros de que sus amigos conocen su gusto por las películas. Por lo tanto, solemos seguir y ver lo que nos recomienda un buen amigo que tiene un gusto similar.
Por lo tanto, el filtrado colaborativo se centra en las relaciones entre el elemento y los usuarios; La similitud de los artículos está determinada por la calificación otorgada por los clientes que calificaron ambos artículos.
3. Filtrado híbrido
Un enfoque híbrido es una mezcla de métodos de filtrado colaborativos y basados en el contenido mientras se hacen sugerencias; el contexto de la película también considera. La relación usuario-artículo y la relación usuario-usuario también juegan un papel vital en el momento de la recomendación. Este marco brinda recomendaciones de películas según el conocimiento del usuario, brinda recomendaciones únicas y resuelve un problema si el comprador específico ignora los datos relevantes. Los datos del perfil del usuario se recopilan del sitio web, el contexto de la película también considera la visualización de la película por parte del usuario y los datos de las partituras de la película.
Los datos consisten en agregar cálculos similares. Este método se denomina enfoque híbrido, en el que ambos métodos se utilizan para producir los resultados. Cuando este sistema se compara con otros enfoques, este sistema tiene una mayor precisión de sugerencias. La razón principal es la ausencia de información sobre las dependencias de dominio del filtrado y el interés de las personas en un sistema basado en contenido.
Cuando estos dos enfoques funcionan juntos, obtendrá más conocimiento, lo que conducirá a mejores resultados; explora los nuevos caminos hacia el contenido subyacente significativo y los métodos de filtrado colaborativo con datos de comportamiento del comprador.
Este sistema ha llevado a implementar ambos sistemas y superar la mayoría de las debilidades de los algoritmos de cada sistema y mejora el rendimiento del sistema. Las técnicas de clasificación y agrupación se utilizan para obtener recomendaciones más excelentes, aumentando así la precisión y la precisión. Nuestro método puede ser más largo que otras reglas para recomendar videos, canciones, libros de noticias, lugares, sitios de comercio electrónico, turismo, etc.
¿Está interesado en conocer más detalles sobre los sistemas de recomendación? Echa un vistazo a nuestroIntroducción a los sistemas de recomendación!
Tipos de filtrado colaborativo
Hay dos tipos de procesos de filtrado colaborativo:
- Filtrado colaborativo basado en memoria
- Filtrado colaborativo basado en modelos
1. Filtrado colaborativo basado en memoria
La CF basada en la memoria es un método que calcula la similitud entre usuarios o elementos utilizando los datos anteriores del usuario en función de la clasificación. El objetivo principal de este método es describir el grado de similitud entre usuarios u objetos y descubrir calificaciones homogéneas para sugerir los elementos oscurecidos.
La CF basada en memoria consta de los dos métodos siguientes:
a) Filtrado colaborativo basado en el usuario
En este método, se conoce al mismo usuario que tiene clasificaciones similares para elementos homogéneos. Luego, señale el pedido del usuario para el artículo al que el usuario nunca está vinculado.
Entendamos esto con un ejemplo. Considere que Harry y Jack reciben una clasificación en algunas películas:
Harry: Toy Story= 4, Coco= 2, Zootopia=3.
Jack: Toy Story= 4, Coco= 2, Zootopia=?
Ahora necesitamos averiguar la clasificación de Zootopia, que Jack nunca ha visto. Para esto, debemos seguir los pasos dados:
- Identifique al usuario objetivo (según este ejemplo, Jack es el usuario objetivo)
- Encuentre el mismo usuario que tiene calificaciones como el usuario objetivo.
- Explora los elementos interactuados.
- Pronostique la clasificación de cosas no vistas del usuario objetivo.
- Si las clasificaciones pronosticadas son más altas que el umbral, sugiéralas al usuario objetivo.
b) Filtrado colaborativo basado en elementos
En el CF basado en elementos, encontramos los mismos elementos que el usuario objetivo ya ha visto.
Jack: buscando a Nemo=4, Moana=3, Toy Story=4.
- Identificar al usuario objetivo.
- Encuentre los elementos coincidentes que tienen las mismas calificaciones que los elementos que calificó el usuario objetivo.
- Pronostique las clasificaciones para los mismos artículos.
- Si las clasificaciones pronosticadas son más altas que el umbral, sugiéralas al usuario objetivo.
Sin embargo, el modelo basado en elementos muestra mejores consecuencias en comparación con el método basado en el usuario, ya que la similitud entre los elementos parece ser más consistente que la de los usuarios.
Una medida numérica usando una matriz de similitud es la técnica más común. Implica el producto punto, la similitud del coseno, la similitud de Pearson y la distancia euclidiana.
2. Filtrado colaborativo basado en modelos
El filtrado colaborativo basado en modelos no es necesario para recordar la matriz basada. En cambio, los modelos de máquinas se utilizan para pronosticar y calcular cómo un cliente otorga una calificación a cada producto. Estos algoritmos del sistema se basan en el aprendizaje automático para predecir productos no calificados según las calificaciones de los clientes. Estos algoritmos se dividen a su vez en diferentes subconjuntos, es decir, algoritmos basados en factorización matricial, métodos de aprendizaje profundo y algoritmos de agrupamiento.
Normalmente, el algoritmo de clúster simple se usa como K-Nearest Neighbor para identificar la incrustación más cercana o el vecino que consiste en una matriz similar utilizada para un producto o una incrustación de cliente. La técnica de factorización de matrices es diferente de analizar y explorar la tasa de calificación de la matriz en un contexto de álgebra y tiene dos objetivos principales. Primero, la ambición inicial es reducir la dimensión de la matriz de calificación. La segunda ambición de este enfoque es identificar características de perspectiva bajo la matriz de calificación, que proporcionará varias recomendaciones.
En el Filtrado Colaborativo se utilizan dos técnicas más frecuentes. La técnica basada en modelos aplica un sistema de estadísticas y un enfoque de aprendizaje automático para minimizar la matriz de calificación. Aún así, el enfoque basado en modelos no produce los resultados esperados en comparación con los enfoques CBF y CF. Se puede manejar una base de datos extensa y matrices poco frecuentes.
El Filtrado Colaborativo es una interpretación sencilla de cómo estos algoritmos usan datos de multitudes. Se recopila una gran cantidad de datos de diferentes personas y se utilizan para crear sugerencias y preferencias personalizadas de un solo usuario. Estos métodos se desarrollaron en las décadas de 1990 y 2000. Las redes sociales han traído innovación y la disponibilidad de datos ha aumentado el acceso a la información de diferentes fuentes. El sistema recomendado ha comenzado a utilizar la red social en cuenta en inclusión a semejanza.
Ejemplos de filtrado colaborativo
Uno de los mejores ejemplos de filtrado colaborativo se puede ver en el área de E-Commerce. Cuando navega por un sitio web de comercio electrónico, puede ver que le muestra algunos productos recomendados. Algunos de los artículos allí son exactamente los mismos que estabas buscando. Ahora puede surgir una pregunta sobre cómo el sitio web sabe cuáles son sus intereses. Todo es solo por el filtrado colaborativo.
En los sitios de conexión social, la sugerencia de amigos también es muy común. Por ejemplo, en Facebook, se muestra una sección conocida como Personas que quizás conozcas; es una característica muy destacada y muestra una lista de personas para agregarlas como amigos. Basado en datos de conexión social, este sistema educa y adivina los bordes que faltan, por ejemplo, si eres amigo de 10 de 11 personas densamente asociadas, es como si tuvieras que hacerte amigo de 11el. Las conexiones sociales se construyen utilizando los algoritmos de Filtrado colaborativo.
Tomemos un ejemplo más. Bob y Alice tienen el mismo interés por jugar. Bob lo jugó y disfrutó mucho del juego. Alice aún no jugó ese juego, pero el sistema ha determinado que Bob y Alice tienen el mismo interés, por lo que el sistema recomienda ese juego a Alice. El Filtrado Colaborativo puede ser realizado por sistemas de recomendación usando el mismo producto. Al otro comprador le gustará el mismo artículo.
Un ejemplo más de n X m esta matriz se compone de la calificación del comprador n se refieren al comprador y m se refieren al artículo u objeto. Cada elemento de esta matriz es (k,l) cómo el Usuario l calificó el producto k. Estamos tratando con calificaciones de programas de películas, y cada calificación debe ser varias entre 1 y 5, donde sigue la calificación de 1 estrella a la calificación de 5 estrellas. Si el Usuario no calificó una película en particular o si la película l es calificada por el usuario k.
Un escenario de filtrado colaborativo es sugerir información famosa e interesante o popular juzgada por el área de personas. Luego, las historias se muestran en la portada de Reddit, las cuales son votadas positivamente por un grupo de personas. A medida que el grupo de personas se vuelve más diversificado, las historias publicadas mostrarán un mayor interés de la comunidad. Wikipedia es también una aplicación de Filtrado colaborativo.
El filtrado colaborativo no necesita extracción y análisis de contenido. Las personas podrán evaluar la información con precisión en comparación con el funcionamiento contado. Los objetos complejos o multimedia como música, películas e imágenes comienzan a funcionar bien.
Filtrado colaborativo frente a filtrado basado en contenido
Un numero deventajasson proporcionados por el filtrado colaborativo sobre el filtrado basado en contenido. Algunos de ellos son:
- Para contar la historia completa, el contenido del elemento es innecesario, como el género/tipo de película.
- Si la información de un producto no está disponible, el producto puede calificarse fácilmente sin demora en la compra del producto.
- La orientación al contenido no otorga ninguna adaptabilidad a las preferencias y aspectos del usuario.
- El filtrado colaborativo se basa en las calificaciones de otros compradores para identificar las conexiones entre los compradores y proporcionar la mejor sugerencia basada en las similitudes del usuario. Como comparación, el método basado en contenido solo necesita analizar el perfil y los elementos del usuario.
- El filtrado colaborativo brinda sugerencias porque la mayoría de los compradores desconocidos tienen un gusto similar al tuyo. Aún así, en Basado en contenido, obtendrá recomendaciones de elementos según las características del producto.
- A diferencia del filtrado colaborativo, muchos compradores sugieren nuevos productos sin ninguna especificación.
- El arranque en frío es el principal problema del Content-based, y surge cuando el sistema de recomendación se compone de muy pocos registros de rating. En este caso, el filtrado basado en contenido es una excelente alternativa a este problema.
- El contenido basado tiene inconvenientes, como que la palabra clave utilizada en el contenido para representar el elemento puede no ser representativa. Este enfoque también sufre al hacer recomendaciones perfectas a los compradores con las mismas calificaciones.
números de laretirarsede estos sistemas se mencionan a continuación.
- El sistema basado en contenido es solo una sugerencia de diseño basada en el interés actual del usuario. Por lo tanto, también puede decir que este sistema solo se limita a los deseos o intereses existentes de los compradores.
- Dado que la representación de elementos de las características se configura a mano comparativamente, requiere suficiente conocimiento del dominio; por lo tanto, este modelo solo tiene excelentes características de configuración manual.
- Si el contenido del producto no es lo suficientemente bueno para describir el producto con precisión, la recomendación hecha será falsa al final.
- El enfoque basado en el contenido proporciona una cantidad limitada de innovación, ya que las características del elemento y el perfil deben coincidir. Debe sorprenderse con un excelente método de filtrado basado en contenido.
- La recomendación correcta del sistema no se puede proporcionar a menos que se coloque información sólida sobre el perfil del usuario en el sistema.
Hay muchos pros y contras de cada sistema, ya sea un sistema de filtrado basado en contenido o un sistema de filtrado colaborativo. Como resultado, muchas organizaciones han adoptado un sistema híbrido para fusionar las ventajas de estos sistemas, como se mencionó anteriormente, y hacer todo lo posible para brindar sugerencias más accesibles y precisas a sus usuarios.
Conclusión
Los compradores en línea y los usuarios de Internet anhelan experiencias personalizadas. La mayoría de los usuarios prefieren usar las recomendaciones sugeridas por un sitio web diferente para ahorrar tiempo porque no quieren perder su valioso tiempo buscando y perdiéndose en la información. A medida que evoluciona esta tendencia, más organizaciones utilizan diferentes sistemas de recomendación para personalizar sus negocios.
Implementar un sistema de recomendación puede ser costoso, pero seguramente obtendrá los beneficios de un contenido altamente personalizado. Esto crea una adherencia única a la oferta del producto creando una atracción invisible en los clientes que beneficia a las organizaciones.