ビデオ: 初心者必見！配色の基本コンセプト｜Filmora動画講座 2024
予測分析の用途のためにAmazonの推薦システムの一つ アイテムベースのコラボレーティブフィルタリング - ユーザがウェブサイト上の単一のアイテムを閲覧したときに、企業データベースから製品の膨大な在庫を取り出す。プロファイルを作成していなくても、最初のアイテムビューで推奨事項が表示される場合は、アイテムベースのコラボレーションフィルタリングシステム（またはコンテンツベースのシステム）を検討していることがわかります。
<！ - 1 - >魔法のように見えますが、そうではありません。あなたのプロフィールがまだ作成されていないが（あなたがログインしていないか、そのサイト上の任意の以前のブラウザの履歴を持っていないので）システムは、推測になるものを取ります。それは の項目にその勧告を基礎に他の顧客が購入した（または購入する）前に購入したもの および あなたは
<！この商品をお求めのお客様はこんな商品もお求めです。-
本質的に、この勧告は、ユーザのコミュニティの行動に基づいて、現在閲覧されているアイテムが他のアイテムとどれほど似ているかに基づいている。
-
顧客のサンプルマトリックスと購入したアイテムを次に示します。これは、アイテムベースの共同フィルタリングの例として使用されます。
-
X
B
X| X | C | X | X | D | X | X |
|---|---|---|---|---|---|---|
| X | E | X | X | |||
| F | X | X | ||||
| X | X | G | ||||
| X | X | H | X > I | |||
| <！ - 2 - > | 次に、コサイン類似度式を用いて計算されたアイテム類似度を見てみましょう。 | 余弦類似度 | ||||
| の公式は、（A&Middot; B）/（| A || || B ||）であり、AとBは比較する項目である。次の例を読んで、アイテムのペアがどれほど類似しているかを調べるには、2つのアイテムが交差するセルを見つけます。数値は0と1の間になります.1の値は項目が完全に似ていることを意味します。 0はそれらが似ていないことを意味します。 | <！ --- 3 - > | 項6 | 0 | 0 | ||
| 0 | 0 | 0 | ||||
| 項5 | 0。 26 999。 29 999。 52 999。 82 9999項目4990。 32 999。 35 999。 32 999。 829 999項目3990。 40 999。 45 999。 32 999。 52 999 999項目2 999。 67 999。 45 999。 35 999。 299 999項目1 999。 67 999。 40 999。 32 999。項目6 999項目4 999項目5 999項目6項目999項目999項目999項目999項目999項目999項目9999特定の類似性値を示したり、上位999個のアイテムを推薦することができます。このシナリオでは、0以上の任意の値が類似していると言うことができます。システムはこれらのアイテムを推奨します。例えば、アイテム1とアイテム2との間の類似性は0である。アイテム2とアイテム1との間の類似性は同じである。したがって、左下から右上に対角線を横切る鏡像である。項目6は、値0であるため他の項目と似ていないことがわかります。 | |||||
| 項目ベースの推奨システムのこの実装は、その動作を説明するために簡略化されています。簡単にするために、アイテムの類似性を判断するための基準を1つだけ使用します。ユーザーがアイテムを購入したかどうか。より複雑なシステムは、 | ユーザーの嗜好を表すプロファイルを使用する |
ユーザーが購入したアイテムの数潜在的な推奨項目に似ている 購入していないにもかかわらず、ユーザーがアイテムを単に見たかどうかに基づいてユーザーがアイテムを好んでいるかどうかを判断する この勧告システムを使用してください：
電子メールマーケティングキャンペーンによるオフラインまたはログイン中にユーザーがウェブサイト上にいる場合| システムはマーケティング広告を送信したり、顧客Bはアイテム1と2を購入し、アイテム2はアイテム3と同様であるため推奨されます。 | アイテム4、アイテム2、顧客C | 項目5は項目4と類似している（類似値：0. 82）。項目2は、項目3と類似している（類似値：0.45）。 | 顧客D | 顧客Dが項目3,4,5を購入したために推奨されます。項目3は項目2と似ています。 | 項目1〜顧客E | |
| |
顧客F | は、項目1,2,4および5を購入したために推奨されます。項目1、項目2、および項目5は、項目3と同様です。 | 顧客2へのアイテム2、アイテム3へのカスタマーH | 顧客Hのために推奨されます。アイテム1を購入しました。アイテム1はアイテム2と3に似ています。 | 未確定アイテムA | |
| 理想的には、より多くのアイテムとユーザーが必要です。顧客がまだ購入していない他の商品に類似した商品を購入したことがあります。 | 顧客に未確定項目I | この場合、データは推奨の基礎となるには不十分である。これはコールドスタート問題の例です。 | ユーザーがログインしていないときにページビューでオンライン |
