ಪ್ರೊಹೋಸ್ಟರ್ > Блог > ಆಡಳಿತ > ಆಫ್ಲೈನ್ ಚಿಲ್ಲರೆ ವ್ಯಾಪಾರದಲ್ಲಿ ನಾವು ಶಿಫಾರಸುಗಳ ಗುಣಮಟ್ಟವನ್ನು ನಾಟಕೀಯವಾಗಿ ಹೇಗೆ ಸುಧಾರಿಸಿದ್ದೇವೆ
ಆಫ್ಲೈನ್ ಚಿಲ್ಲರೆ ವ್ಯಾಪಾರದಲ್ಲಿ ನಾವು ಶಿಫಾರಸುಗಳ ಗುಣಮಟ್ಟವನ್ನು ನಾಟಕೀಯವಾಗಿ ಹೇಗೆ ಸುಧಾರಿಸಿದ್ದೇವೆ
ಎಲ್ಲರಿಗು ನಮಸ್ಖರ! ನನ್ನ ಹೆಸರು ಸಶಾ, ನಾನು ಲಾಯಲ್ಟಿ ಲ್ಯಾಬ್ನಲ್ಲಿ CTO ಮತ್ತು ಸಹ-ಸಂಸ್ಥಾಪಕ. ಎರಡು ವರ್ಷಗಳ ಹಿಂದೆ, ನಾನು ಮತ್ತು ನನ್ನ ಸ್ನೇಹಿತರು, ಎಲ್ಲಾ ಬಡ ವಿದ್ಯಾರ್ಥಿಗಳಂತೆ ಸಂಜೆ ನಮ್ಮ ಮನೆಯ ಹತ್ತಿರದ ಅಂಗಡಿಯಲ್ಲಿ ಬಿಯರ್ ಖರೀದಿಸಲು ಹೋಗಿದ್ದೆವು. ನಾವು ಬಿಯರ್ಗಾಗಿ ಬರುತ್ತೇವೆ ಎಂದು ತಿಳಿದ ಚಿಲ್ಲರೆ ವ್ಯಾಪಾರಿ ಚಿಪ್ಸ್ ಅಥವಾ ಕ್ರ್ಯಾಕರ್ಗಳ ಮೇಲೆ ರಿಯಾಯಿತಿ ನೀಡಲಿಲ್ಲ ಎಂದು ನಾವು ತುಂಬಾ ಅಸಮಾಧಾನಗೊಂಡಿದ್ದೇವೆ, ಆದರೂ ಇದು ತುಂಬಾ ತಾರ್ಕಿಕವಾಗಿದೆ! ಈ ಪರಿಸ್ಥಿತಿ ಏಕೆ ನಡೆಯುತ್ತಿದೆ ಎಂದು ನಮಗೆ ಅರ್ಥವಾಗಲಿಲ್ಲ ಮತ್ತು ನಮ್ಮ ಸ್ವಂತ ಕಂಪನಿಯನ್ನು ಪ್ರಾರಂಭಿಸಲು ನಿರ್ಧರಿಸಿದೆ. ಒಳ್ಳೆಯದು, ಬೋನಸ್ ಆಗಿ, ಅದೇ ಚಿಪ್ಗಳಲ್ಲಿ ಪ್ರತಿ ಶುಕ್ರವಾರ ನಿಮಗೆ ರಿಯಾಯಿತಿಗಳನ್ನು ನೀಡಿ.
ಮತ್ತು ನಾನು ಉತ್ಪನ್ನದ ತಾಂತ್ರಿಕ ಭಾಗದಲ್ಲಿ ವಸ್ತುಗಳನ್ನು ಪ್ರಸ್ತುತಪಡಿಸುವ ಹಂತಕ್ಕೆ ಇದೆಲ್ಲವೂ ಸಿಕ್ಕಿತು NVIDIA GTC. ನಮ್ಮ ಕೆಲಸವನ್ನು ಸಮುದಾಯದೊಂದಿಗೆ ಹಂಚಿಕೊಳ್ಳಲು ನಾವು ಸಂತೋಷಪಡುತ್ತೇವೆ, ಆದ್ದರಿಂದ ನಾನು ನನ್ನ ವರದಿಯನ್ನು ಲೇಖನದ ರೂಪದಲ್ಲಿ ಪ್ರಕಟಿಸುತ್ತಿದ್ದೇನೆ.
ಪರಿಚಯ
ಪ್ರಯಾಣದ ಆರಂಭದಲ್ಲಿ ಎಲ್ಲರಂತೆ, ಶಿಫಾರಸು ಮಾಡುವ ವ್ಯವಸ್ಥೆಗಳನ್ನು ಹೇಗೆ ಮಾಡಲಾಗಿದೆ ಎಂಬುದರ ಅವಲೋಕನದೊಂದಿಗೆ ನಾವು ಪ್ರಾರಂಭಿಸಿದ್ದೇವೆ. ಮತ್ತು ಅತ್ಯಂತ ಜನಪ್ರಿಯ ವಾಸ್ತುಶಿಲ್ಪವು ಈ ಕೆಳಗಿನ ಪ್ರಕಾರವಾಗಿದೆ:
ಇದು ಎರಡು ಭಾಗಗಳನ್ನು ಒಳಗೊಂಡಿದೆ:
ಸರಳ ಮತ್ತು ವೇಗದ ಮಾದರಿಯನ್ನು ಬಳಸಿಕೊಂಡು ಶಿಫಾರಸುಗಳಿಗಾಗಿ ಅಭ್ಯರ್ಥಿಗಳನ್ನು ಮಾದರಿ ಮಾಡುವುದು, ಸಾಮಾನ್ಯವಾಗಿ ಸಹಕಾರಿ.
ಹೆಚ್ಚು ಸಂಕೀರ್ಣ ಮತ್ತು ನಿಧಾನವಾದ ವಿಷಯ ಮಾದರಿಯೊಂದಿಗೆ ಅಭ್ಯರ್ಥಿಗಳ ಶ್ರೇಯಾಂಕ, ಡೇಟಾದಲ್ಲಿನ ಎಲ್ಲಾ ಸಂಭಾವ್ಯ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಗಣನೆಗೆ ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ.
ಅಭ್ಯರ್ಥಿಗಳ ಹೊರತೆಗೆಯುವಿಕೆ/ಹೊರತೆಗೆಯುವಿಕೆ/ಅಭ್ಯರ್ಥಿ ಹೊರತೆಗೆಯುವ ವಿಧಾನ — ಲಭ್ಯವಿರುವ ಡೇಟಾದಿಂದ "ಶಿಫಾರಸು ಅಭ್ಯರ್ಥಿಗಳನ್ನು" ಹೊರತೆಗೆಯುವ ಪ್ರಕ್ರಿಯೆ ಅಥವಾ ವಿಧಾನ.
ಮೊದಲ ಹಂತವು ಸಾಮಾನ್ಯವಾಗಿ ಸಹಯೋಗದ ಫಿಲ್ಟರಿಂಗ್ನ ವಿವಿಧ ಮಾರ್ಪಾಡುಗಳನ್ನು ಬಳಸುವುದನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ. ಅತ್ಯಂತ ಜನಪ್ರಿಯ - ALS. ಶಿಫಾರಸು ಮಾಡುವ ವ್ಯವಸ್ಥೆಗಳ ಕುರಿತು ಹೆಚ್ಚಿನ ಲೇಖನಗಳು ಮೊದಲ ಹಂತದಲ್ಲಿ ಸಹಕಾರಿ ಮಾದರಿಗಳಿಗೆ ವಿವಿಧ ಸುಧಾರಣೆಗಳನ್ನು ಬಹಿರಂಗಪಡಿಸುವುದು ಆಶ್ಚರ್ಯಕರವಾಗಿದೆ, ಆದರೆ ಯಾರೂ ಇತರ ಮಾದರಿ ವಿಧಾನಗಳ ಬಗ್ಗೆ ಹೆಚ್ಚು ಮಾತನಾಡುವುದಿಲ್ಲ. ನಮಗೆ, ಸಹಕಾರಿ ಮಾದರಿಗಳು ಮತ್ತು ಅವರೊಂದಿಗೆ ವಿವಿಧ ಆಪ್ಟಿಮೈಸೇಶನ್ಗಳನ್ನು ಮಾತ್ರ ಬಳಸುವ ವಿಧಾನವು ನಾವು ನಿರೀಕ್ಷಿಸಿದ ಗುಣಮಟ್ಟದೊಂದಿಗೆ ಕೆಲಸ ಮಾಡಲಿಲ್ಲ, ಆದ್ದರಿಂದ ನಾವು ಈ ಭಾಗದಲ್ಲಿ ನಿರ್ದಿಷ್ಟವಾಗಿ ಸಂಶೋಧನೆಯಲ್ಲಿ ತೊಡಗಿದ್ದೇವೆ. ಮತ್ತು ಲೇಖನದ ಕೊನೆಯಲ್ಲಿ ನಾವು ALS ಅನ್ನು ಎಷ್ಟು ಸುಧಾರಿಸಲು ಸಾಧ್ಯವಾಯಿತು ಎಂಬುದನ್ನು ನಾನು ತೋರಿಸುತ್ತೇನೆ, ಅದು ನಮ್ಮ ಬೇಸ್ಲೈನ್ ಆಗಿತ್ತು.
ನಾನು ನಮ್ಮ ವಿಧಾನವನ್ನು ವಿವರಿಸುವ ಮೊದಲು, ನೈಜ-ಸಮಯದ ಶಿಫಾರಸುಗಳಲ್ಲಿ, 30 ನಿಮಿಷಗಳ ಹಿಂದೆ ಸಂಭವಿಸಿದ ಡೇಟಾವನ್ನು ಗಣನೆಗೆ ತೆಗೆದುಕೊಳ್ಳುವುದು ನಮಗೆ ಮುಖ್ಯವಾದಾಗ, ಅಗತ್ಯವಿರುವ ಸಮಯದಲ್ಲಿ ಕೆಲಸ ಮಾಡುವ ಹಲವು ವಿಧಾನಗಳು ನಿಜವಾಗಿಯೂ ಇಲ್ಲ ಎಂಬುದನ್ನು ಗಮನಿಸುವುದು ಮುಖ್ಯ. ಆದರೆ, ನಮ್ಮ ಸಂದರ್ಭದಲ್ಲಿ, ನಾವು ದಿನಕ್ಕೆ ಒಂದಕ್ಕಿಂತ ಹೆಚ್ಚು ಬಾರಿ ಶಿಫಾರಸುಗಳನ್ನು ಸಂಗ್ರಹಿಸಬೇಕಾಗಿಲ್ಲ, ಮತ್ತು ಹೆಚ್ಚಿನ ಸಂದರ್ಭಗಳಲ್ಲಿ - ವಾರಕ್ಕೊಮ್ಮೆ, ಇದು ಸಂಕೀರ್ಣ ಮಾದರಿಗಳನ್ನು ಬಳಸಲು ಮತ್ತು ಗುಣಮಟ್ಟವನ್ನು ಹಲವಾರು ಬಾರಿ ಸುಧಾರಿಸಲು ನಮಗೆ ಅವಕಾಶವನ್ನು ನೀಡುತ್ತದೆ.
ಅಭ್ಯರ್ಥಿಗಳನ್ನು ಹೊರತೆಗೆಯುವ ಕಾರ್ಯದಲ್ಲಿ ALS ಮಾತ್ರ ಯಾವ ಮೆಟ್ರಿಕ್ಗಳನ್ನು ತೋರಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಬೇಸ್ಲೈನ್ನಂತೆ ತೆಗೆದುಕೊಳ್ಳೋಣ. ನಾವು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡುವ ಪ್ರಮುಖ ಮೆಟ್ರಿಕ್ಗಳು:
ನಿಖರತೆ - ಮಾದರಿಯಿಂದ ಸರಿಯಾಗಿ ಆಯ್ಕೆ ಮಾಡಿದ ಅಭ್ಯರ್ಥಿಗಳ ಪ್ರಮಾಣ.
ರೀಕಾಲ್ ಎಂಬುದು ಗುರಿಯ ಮಧ್ಯಂತರದಲ್ಲಿ ನಿಜವಾಗಿ ಸಂಭವಿಸಿದ ಅಭ್ಯರ್ಥಿಗಳ ಅನುಪಾತವಾಗಿದೆ.
F1-ಸ್ಕೋರ್ - ಹಿಂದಿನ ಎರಡು ಅಂಕಗಳ ಮೇಲೆ F- ಅಳತೆಯನ್ನು ಲೆಕ್ಕಹಾಕಲಾಗಿದೆ.
ಹೆಚ್ಚುವರಿ ವಿಷಯ ವೈಶಿಷ್ಟ್ಯಗಳೊಂದಿಗೆ ಗ್ರೇಡಿಯಂಟ್ ಬೂಸ್ಟಿಂಗ್ ತರಬೇತಿಯ ನಂತರ ನಾವು ಅಂತಿಮ ಮಾದರಿಯ ಮೆಟ್ರಿಕ್ಗಳನ್ನು ಸಹ ನೋಡುತ್ತೇವೆ. ಇಲ್ಲಿ 3 ಮುಖ್ಯ ಮೆಟ್ರಿಕ್ಗಳೂ ಇವೆ:
ನಿಖರ @5 - ಪ್ರತಿ ಖರೀದಿದಾರನ ಸಂಭವನೀಯತೆಯ ವಿಷಯದಲ್ಲಿ ಅಗ್ರ 5 ರಿಂದ ಉತ್ಪನ್ನಗಳ ಸರಾಸರಿ ಶೇಕಡಾವಾರು.
ಪ್ರತಿಕ್ರಿಯೆ ದರ@5 - ಗ್ರಾಹಕರು ಅಂಗಡಿಗೆ ಭೇಟಿ ನೀಡುವುದರಿಂದ ಕನಿಷ್ಠ ಒಂದು ವೈಯಕ್ತಿಕ ಕೊಡುಗೆಯ ಖರೀದಿಗೆ ಪರಿವರ್ತನೆ (ಒಂದು ಕೊಡುಗೆಯಲ್ಲಿ 5 ಉತ್ಪನ್ನಗಳು).
ಪ್ರತಿ ಬಳಕೆದಾರರಿಗೆ ಸರಾಸರಿ roc-auc - ಸರಾಸರಿ roc-auc ಪ್ರತಿ ಖರೀದಿದಾರರಿಗೆ.
ಈ ಎಲ್ಲಾ ಮೆಟ್ರಿಕ್ಗಳನ್ನು ಅಳೆಯಲಾಗುತ್ತದೆ ಎಂಬುದನ್ನು ಗಮನಿಸುವುದು ಮುಖ್ಯ ಸಮಯ-ಸರಣಿ ಅಡ್ಡ-ಮೌಲ್ಯಮಾಪನ, ಅಂದರೆ, ಮೊದಲ k ವಾರಗಳಲ್ಲಿ ತರಬೇತಿ ಸಂಭವಿಸುತ್ತದೆ, ಮತ್ತು k+1 ವಾರವನ್ನು ಪರೀಕ್ಷಾ ಡೇಟಾವಾಗಿ ತೆಗೆದುಕೊಳ್ಳಲಾಗುತ್ತದೆ. ಹೀಗಾಗಿ, ಕಾಲೋಚಿತ ಏರಿಳಿತಗಳು ಮಾದರಿಗಳ ಗುಣಮಟ್ಟದ ವ್ಯಾಖ್ಯಾನದ ಮೇಲೆ ಕನಿಷ್ಠ ಪರಿಣಾಮ ಬೀರುತ್ತವೆ. ಎಲ್ಲಾ ಗ್ರಾಫ್ಗಳಲ್ಲಿ, ಅಬ್ಸಿಸ್ಸಾ ಅಕ್ಷವು ಅಡ್ಡ-ಮೌಲ್ಯಮಾಪನದಲ್ಲಿ ವಾರದ ಸಂಖ್ಯೆಯನ್ನು ಸೂಚಿಸುತ್ತದೆ ಮತ್ತು ಆರ್ಡಿನೇಟ್ ಅಕ್ಷವು ನಿರ್ದಿಷ್ಟಪಡಿಸಿದ ಮೆಟ್ರಿಕ್ನ ಮೌಲ್ಯವನ್ನು ಸೂಚಿಸುತ್ತದೆ. ಎಲ್ಲಾ ಗ್ರಾಫ್ಗಳು ಒಬ್ಬ ಕ್ಲೈಂಟ್ನಿಂದ ವಹಿವಾಟು ಡೇಟಾವನ್ನು ಆಧರಿಸಿವೆ, ಇದರಿಂದಾಗಿ ಪರಸ್ಪರ ಹೋಲಿಕೆಗಳು ಸರಿಯಾಗಿರುತ್ತವೆ.
ನಾವು ನಮ್ಮ ವಿಧಾನವನ್ನು ವಿವರಿಸಲು ಪ್ರಾರಂಭಿಸುವ ಮೊದಲು, ನಾವು ಮೊದಲು ಬೇಸ್ಲೈನ್ ಅನ್ನು ನೋಡುತ್ತೇವೆ, ಇದು ALS-ತರಬೇತಿ ಪಡೆದ ಮಾದರಿಯಾಗಿದೆ.
ಅಭ್ಯರ್ಥಿ ಮರುಪಡೆಯುವಿಕೆ ಮೆಟ್ರಿಕ್ಗಳು:
ಅಂತಿಮ ಮೆಟ್ರಿಕ್ಗಳು:
ನಾನು ಅಲ್ಗಾರಿದಮ್ಗಳ ಎಲ್ಲಾ ಅಳವಡಿಕೆಗಳನ್ನು ಕೆಲವು ರೀತಿಯ ವ್ಯವಹಾರ ಕಲ್ಪನೆಯಂತೆ ಪರಿಗಣಿಸುತ್ತೇನೆ. ಆದ್ದರಿಂದ, ಸ್ಥೂಲವಾಗಿ, ಯಾವುದೇ ಸಹಯೋಗದ ಮಾದರಿಯನ್ನು "ಜನರು ತಮ್ಮಂತೆಯೇ ಜನರು ಖರೀದಿಸುವದನ್ನು ಖರೀದಿಸಲು ಒಲವು ತೋರುತ್ತಾರೆ" ಎಂಬ ಕಲ್ಪನೆ ಎಂದು ಪರಿಗಣಿಸಬಹುದು. ನಾನು ಈಗಾಗಲೇ ಹೇಳಿದಂತೆ, ನಾವು ಅಂತಹ ಶಬ್ದಾರ್ಥಗಳಿಗೆ ನಮ್ಮನ್ನು ಸೀಮಿತಗೊಳಿಸಲಿಲ್ಲ ಮತ್ತು ಆಫ್ಲೈನ್ ಚಿಲ್ಲರೆ ವ್ಯಾಪಾರದಲ್ಲಿ ಡೇಟಾದಲ್ಲಿ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುವ ಕೆಲವು ಊಹೆಗಳು ಇಲ್ಲಿವೆ:
ನಾನು ಈಗಾಗಲೇ ಖರೀದಿಸಿದ.
ನಾನು ಮೊದಲು ಖರೀದಿಸಿದ್ದನ್ನು ಹೋಲುತ್ತದೆ.
ದೀರ್ಘ ಹಿಂದಿನ ಖರೀದಿಯ ಅವಧಿ.
ವರ್ಗ/ಬ್ರಾಂಡ್ ಮೂಲಕ ಜನಪ್ರಿಯವಾಗಿದೆ.
ವಾರದಿಂದ ವಾರಕ್ಕೆ ವಿವಿಧ ಸರಕುಗಳ ಪರ್ಯಾಯ ಖರೀದಿಗಳು (ಮಾರ್ಕೊವ್ ಸರಪಳಿಗಳು).
ವಿಭಿನ್ನ ಮಾದರಿಗಳು (Word2Vec, DSSM, ಇತ್ಯಾದಿ) ನಿರ್ಮಿಸಿದ ಗುಣಲಕ್ಷಣಗಳ ಪ್ರಕಾರ ಖರೀದಿದಾರರಿಗೆ ಹೋಲುವ ಉತ್ಪನ್ನಗಳು.
ನೀವು ಮೊದಲು ಏನು ಖರೀದಿಸಿದ್ದೀರಿ?
ಕಿರಾಣಿ ಚಿಲ್ಲರೆ ವ್ಯಾಪಾರದಲ್ಲಿ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುವ ಅತ್ಯಂತ ಸ್ಪಷ್ಟವಾದ ಹ್ಯೂರಿಸ್ಟಿಕ್. ಲಾಯಲ್ಟಿ ಕಾರ್ಡ್ ಹೊಂದಿರುವವರು ಕಳೆದ K ದಿನಗಳಲ್ಲಿ (ಸಾಮಾನ್ಯವಾಗಿ 1-3 ವಾರಗಳು) ಅಥವಾ ಒಂದು ವರ್ಷದ ಹಿಂದೆ K ದಿನಗಳಲ್ಲಿ ಖರೀದಿಸಿದ ಎಲ್ಲಾ ಸರಕುಗಳನ್ನು ನಾವು ಇಲ್ಲಿ ತೆಗೆದುಕೊಳ್ಳುತ್ತೇವೆ. ಈ ವಿಧಾನವನ್ನು ಮಾತ್ರ ಅನ್ವಯಿಸುವುದರಿಂದ, ನಾವು ಈ ಕೆಳಗಿನ ಮೆಟ್ರಿಕ್ಗಳನ್ನು ಪಡೆಯುತ್ತೇವೆ:
ಇಲ್ಲಿ ನಾವು ಅವಧಿಯನ್ನು ಹೆಚ್ಚು ಸಮಯ ತೆಗೆದುಕೊಳ್ಳುತ್ತೇವೆ, ನಾವು ಹೆಚ್ಚು ಮರುಪಡೆಯುವಿಕೆ ಹೊಂದಿದ್ದೇವೆ ಮತ್ತು ಕಡಿಮೆ ನಿಖರತೆಯನ್ನು ಹೊಂದಿದ್ದೇವೆ ಮತ್ತು ಪ್ರತಿಯಾಗಿ. ಸರಾಸರಿಯಾಗಿ, "ಕಳೆದ 2 ವಾರಗಳು" ಗ್ರಾಹಕರಿಗೆ ಉತ್ತಮ ಫಲಿತಾಂಶಗಳನ್ನು ನೀಡುತ್ತದೆ.
ನಾನು ಮೊದಲು ಖರೀದಿಸಿದ್ದನ್ನು ಹೋಲುತ್ತದೆ
ಕಿರಾಣಿ ಚಿಲ್ಲರೆ ವ್ಯಾಪಾರಕ್ಕಾಗಿ "ನಾನು ಮೊದಲು ಖರೀದಿಸಿದ್ದು" ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುವುದರಲ್ಲಿ ಆಶ್ಚರ್ಯವೇನಿಲ್ಲ, ಆದರೆ ಬಳಕೆದಾರರು ಈಗಾಗಲೇ ಖರೀದಿಸಿದ್ದರಿಂದ ಮಾತ್ರ ಅಭ್ಯರ್ಥಿಗಳನ್ನು ಹೊರತೆಗೆಯುವುದು ತುಂಬಾ ತಂಪಾಗಿಲ್ಲ, ಏಕೆಂದರೆ ಕೆಲವು ಹೊಸ ಉತ್ಪನ್ನಗಳೊಂದಿಗೆ ಖರೀದಿದಾರರನ್ನು ಅಚ್ಚರಿಗೊಳಿಸುವ ಸಾಧ್ಯತೆಯಿಲ್ಲ. ಆದ್ದರಿಂದ, ಅದೇ ಸಹಯೋಗದ ಮಾದರಿಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಈ ಹ್ಯೂರಿಸ್ಟಿಕ್ ಅನ್ನು ಸ್ವಲ್ಪ ಸುಧಾರಿಸಲು ನಾವು ಪ್ರಸ್ತಾಪಿಸುತ್ತೇವೆ. ALS ತರಬೇತಿಯ ಸಮಯದಲ್ಲಿ ನಾವು ಪಡೆದ ವೆಕ್ಟರ್ಗಳಿಂದ, ಬಳಕೆದಾರರು ಈಗಾಗಲೇ ಖರೀದಿಸಿರುವಂತಹ ಉತ್ಪನ್ನಗಳನ್ನು ನಾವು ಪಡೆಯಬಹುದು. ಈ ಕಲ್ಪನೆಯು ವೀಡಿಯೊ ವಿಷಯವನ್ನು ವೀಕ್ಷಿಸಲು ಸೇವೆಗಳಲ್ಲಿ "ಇದೇ ರೀತಿಯ ವೀಡಿಯೊಗಳನ್ನು" ಹೋಲುತ್ತದೆ, ಆದರೆ ಬಳಕೆದಾರರು ನಿರ್ದಿಷ್ಟ ಕ್ಷಣದಲ್ಲಿ ಏನು ತಿನ್ನುತ್ತಾರೆ/ಖರೀದಿಸುತ್ತಾರೆ ಎಂಬುದು ನಮಗೆ ತಿಳಿದಿಲ್ಲವಾದ್ದರಿಂದ, ಅವರು ಈಗಾಗಲೇ ಖರೀದಿಸಿರುವಂತಹವುಗಳನ್ನು ಮಾತ್ರ ನಾವು ನೋಡಬಹುದು. ಏಕೆಂದರೆ ಅದು ಎಷ್ಟು ಚೆನ್ನಾಗಿ ಕೆಲಸ ಮಾಡುತ್ತದೆ ಎಂದು ನಮಗೆ ಈಗಾಗಲೇ ತಿಳಿದಿದೆ. ಕಳೆದ 2 ವಾರಗಳಲ್ಲಿ ಬಳಕೆದಾರರ ವಹಿವಾಟುಗಳಲ್ಲಿ ಈ ವಿಧಾನವನ್ನು ಅನ್ವಯಿಸುವುದರಿಂದ, ನಾವು ಈ ಕೆಳಗಿನ ಮೆಟ್ರಿಕ್ಗಳನ್ನು ಪಡೆಯುತ್ತೇವೆ:
ಇದು k - ಕಳೆದ 14 ದಿನಗಳಲ್ಲಿ ಖರೀದಿದಾರರು ಖರೀದಿಸಿದ ಪ್ರತಿ ಉತ್ಪನ್ನಕ್ಕೆ ಮರುಪಡೆಯಲಾದ ಒಂದೇ ರೀತಿಯ ಉತ್ಪನ್ನಗಳ ಸಂಖ್ಯೆ.
ಈ ವಿಧಾನವು ನಮ್ಮ ಕ್ಲೈಂಟ್ಗೆ ವಿಶೇಷವಾಗಿ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ, ಬಳಕೆದಾರರ ಖರೀದಿ ಇತಿಹಾಸದಲ್ಲಿ ಈಗಾಗಲೇ ಏನನ್ನೂ ಶಿಫಾರಸು ಮಾಡದಿರುವುದು ನಿರ್ಣಾಯಕವಾಗಿದೆ.
ತಡವಾದ ಖರೀದಿ ಅವಧಿ
ನಾವು ಈಗಾಗಲೇ ಕಂಡುಕೊಂಡಂತೆ, ಸರಕುಗಳನ್ನು ಖರೀದಿಸುವ ಹೆಚ್ಚಿನ ಆವರ್ತನದ ಕಾರಣ, ನಮ್ಮ ನಿರ್ದಿಷ್ಟ ಅಗತ್ಯಗಳಿಗಾಗಿ ಮೊದಲ ವಿಧಾನವು ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ. ಆದರೆ ವಾಷಿಂಗ್ ಪೌಡರ್/ಶಾಂಪೂ/ಇತ್ಯಾದಿ ಸರಕುಗಳ ಬಗ್ಗೆ ಏನು. ಅಂದರೆ, ಪ್ರತಿ ವಾರ ಅಥವಾ ಎರಡು ವಾರಗಳ ಅಗತ್ಯವಿರದ ಉತ್ಪನ್ನಗಳೊಂದಿಗೆ ಮತ್ತು ಹಿಂದಿನ ವಿಧಾನಗಳನ್ನು ಹೊರತೆಗೆಯಲು ಸಾಧ್ಯವಿಲ್ಲ. ಇದು ಈ ಕೆಳಗಿನ ಕಲ್ಪನೆಗೆ ಕಾರಣವಾಗುತ್ತದೆ - ಉತ್ಪನ್ನವನ್ನು ಹೆಚ್ಚು ಖರೀದಿಸಿದ ಗ್ರಾಹಕರಿಗೆ ಸರಾಸರಿ ಪ್ರತಿ ಉತ್ಪನ್ನದ ಖರೀದಿಯ ಅವಧಿಯನ್ನು ಲೆಕ್ಕಹಾಕಲು ಪ್ರಸ್ತಾಪಿಸಲಾಗಿದೆ k ಒಮ್ಮೆ. ತದನಂತರ ಖರೀದಿದಾರನು ಈಗಾಗಲೇ ಮುಗಿದಿರುವುದನ್ನು ಹೊರತೆಗೆಯಿರಿ. ಸರಕುಗಳ ಲೆಕ್ಕಾಚಾರದ ಅವಧಿಗಳನ್ನು ಸಮರ್ಪಕತೆಗಾಗಿ ನಿಮ್ಮ ಕಣ್ಣುಗಳಿಂದ ಪರಿಶೀಲಿಸಬಹುದು:
ತದನಂತರ ನಾವು ಉತ್ಪನ್ನದ ಅವಧಿಯ ಅಂತ್ಯವು ಸಮಯದ ಮಧ್ಯಂತರದಲ್ಲಿ ಬೀಳುತ್ತದೆಯೇ ಎಂದು ನಾವು ನೋಡುತ್ತೇವೆ, ಯಾವಾಗ ಶಿಫಾರಸುಗಳು ಉತ್ಪಾದನೆಯಲ್ಲಿವೆ ಮತ್ತು ಏನಾಗುತ್ತದೆ ಎಂಬುದನ್ನು ಮಾದರಿ ಮಾಡಿ. ವಿಧಾನವನ್ನು ಈ ರೀತಿ ವಿವರಿಸಬಹುದು:
ಇಲ್ಲಿ ನಾವು ಪರಿಗಣಿಸಬಹುದಾದ 2 ಪ್ರಮುಖ ಪ್ರಕರಣಗಳನ್ನು ಹೊಂದಿದ್ದೇವೆ:
K ಗಿಂತ ಕಡಿಮೆ ಬಾರಿ ಉತ್ಪನ್ನವನ್ನು ಖರೀದಿಸಿದ ಗ್ರಾಹಕರಿಂದ ಉತ್ಪನ್ನಗಳನ್ನು ಮಾದರಿ ಮಾಡುವುದು ಅಗತ್ಯವೇ?
ಉತ್ಪನ್ನದ ಅವಧಿಯ ಅಂತ್ಯವು ಗುರಿಯ ಮಧ್ಯಂತರ ಪ್ರಾರಂಭವಾಗುವ ಮೊದಲು ಬಿದ್ದರೆ ಅದನ್ನು ಮಾದರಿ ಮಾಡುವುದು ಅಗತ್ಯವೇ?
ಈ ವಿಧಾನವು ವಿಭಿನ್ನ ಹೈಪರ್ಪ್ಯಾರಾಮೀಟರ್ಗಳೊಂದಿಗೆ ಯಾವ ಫಲಿತಾಂಶಗಳನ್ನು ಸಾಧಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಕೆಳಗಿನ ಗ್ರಾಫ್ ತೋರಿಸುತ್ತದೆ:
ft — ಉತ್ಪನ್ನವನ್ನು ಕನಿಷ್ಠ K (ಇಲ್ಲಿ K=5) ಬಾರಿ ಖರೀದಿಸಿದ ಗ್ರಾಹಕರನ್ನು ಮಾತ್ರ ತೆಗೆದುಕೊಳ್ಳಿ tm - ಗುರಿ ಮಧ್ಯಂತರದಲ್ಲಿ ಬರುವ ಅಭ್ಯರ್ಥಿಗಳನ್ನು ಮಾತ್ರ ತೆಗೆದುಕೊಳ್ಳಿ
ಅವನು ಸಮರ್ಥನಾಗಿರುವುದು ಆಶ್ಚರ್ಯವೇನಿಲ್ಲ (0, 0) ಅತಿ ದೊಡ್ಡ ಮರುಸ್ಥಾಪನೆ ಮತ್ತು ಚಿಕ್ಕದು ನಿಖರತೆ, ಈ ಸ್ಥಿತಿಯ ಅಡಿಯಲ್ಲಿ ಹೆಚ್ಚಿನ ಅಭ್ಯರ್ಥಿಗಳನ್ನು ಹಿಂಪಡೆಯಲಾಗುತ್ತದೆ. ಆದಾಗ್ಯೂ, ನಿರ್ದಿಷ್ಟ ಉತ್ಪನ್ನವನ್ನು ಕಡಿಮೆ ಖರೀದಿಸಿದ ಗ್ರಾಹಕರಿಗೆ ನಾವು ಉತ್ಪನ್ನಗಳನ್ನು ಮಾದರಿ ಮಾಡದಿದ್ದಾಗ ಉತ್ತಮ ಫಲಿತಾಂಶಗಳನ್ನು ಸಾಧಿಸಲಾಗುತ್ತದೆ k ಸರಕುಗಳನ್ನು ಒಳಗೊಂಡಂತೆ ಸಮಯ ಮತ್ತು ಸಾರ, ಗುರಿಯ ಮಧ್ಯಂತರಕ್ಕಿಂತ ಮೊದಲು ಬೀಳುವ ಅವಧಿಯ ಅಂತ್ಯ.
ವರ್ಗದಿಂದ ಜನಪ್ರಿಯವಾಗಿದೆ
ವಿಭಿನ್ನ ವರ್ಗಗಳು ಅಥವಾ ಬ್ರ್ಯಾಂಡ್ಗಳಾದ್ಯಂತ ಜನಪ್ರಿಯ ಉತ್ಪನ್ನಗಳನ್ನು ಮಾದರಿ ಮಾಡುವುದು ಮತ್ತೊಂದು ಸ್ಪಷ್ಟವಾದ ಕಲ್ಪನೆಯಾಗಿದೆ. ಇಲ್ಲಿ ನಾವು ಪ್ರತಿ ಖರೀದಿದಾರರಿಗೆ ಲೆಕ್ಕ ಹಾಕುತ್ತೇವೆ ಉನ್ನತ-ಕೆ "ಮೆಚ್ಚಿನ" ವಿಭಾಗಗಳು/ಬ್ರಾಂಡ್ಗಳು ಮತ್ತು ಈ ವರ್ಗ/ಬ್ರಾಂಡ್ನಿಂದ "ಜನಪ್ರಿಯ" ಅನ್ನು ಹೊರತೆಗೆಯಿರಿ. ನಮ್ಮ ಸಂದರ್ಭದಲ್ಲಿ, ಉತ್ಪನ್ನದ ಖರೀದಿಗಳ ಸಂಖ್ಯೆಯಿಂದ ನಾವು "ಮೆಚ್ಚಿನ" ಮತ್ತು "ಜನಪ್ರಿಯ" ಅನ್ನು ನಿರ್ಧರಿಸುತ್ತೇವೆ. ಈ ವಿಧಾನದ ಹೆಚ್ಚುವರಿ ಪ್ರಯೋಜನವೆಂದರೆ ಕೋಲ್ಡ್ ಸ್ಟಾರ್ಟ್ ಪ್ರಕರಣದಲ್ಲಿ ಅದರ ಅನ್ವಯಿಸುವಿಕೆ. ಅಂದರೆ, ಕೆಲವೇ ಖರೀದಿಗಳನ್ನು ಮಾಡಿದ ಅಥವಾ ದೀರ್ಘಕಾಲದವರೆಗೆ ಅಂಗಡಿಗೆ ಹೋಗದ ಅಥವಾ ಲಾಯಲ್ಟಿ ಕಾರ್ಡ್ ಅನ್ನು ನೀಡಿದ ಗ್ರಾಹಕರಿಗೆ. ಅವರಿಗೆ, ಗ್ರಾಹಕರೊಂದಿಗೆ ಜನಪ್ರಿಯವಾಗಿರುವ ಮತ್ತು ಇತಿಹಾಸವನ್ನು ಹೊಂದಿರುವ ವಸ್ತುಗಳನ್ನು ಸಂಗ್ರಹಿಸುವುದು ಸುಲಭ ಮತ್ತು ಉತ್ತಮವಾಗಿದೆ. ಫಲಿತಾಂಶದ ಮೆಟ್ರಿಕ್ಗಳು:
ಇಲ್ಲಿ "ವರ್ಗ" ಪದದ ನಂತರದ ಸಂಖ್ಯೆಯು ವರ್ಗದ ಗೂಡುಕಟ್ಟುವ ಮಟ್ಟವನ್ನು ಅರ್ಥೈಸುತ್ತದೆ.
ಒಟ್ಟಾರೆಯಾಗಿ, ಕಿರಿದಾದ ವರ್ಗಗಳು ಉತ್ತಮ ಫಲಿತಾಂಶಗಳನ್ನು ಸಾಧಿಸುವುದರಲ್ಲಿ ಆಶ್ಚರ್ಯವೇನಿಲ್ಲ, ಏಕೆಂದರೆ ಅವರು ಶಾಪರ್ಸ್ಗಾಗಿ ಹೆಚ್ಚು ನಿಖರವಾದ "ಮೆಚ್ಚಿನ" ಉತ್ಪನ್ನಗಳನ್ನು ಹೊರತೆಗೆಯುತ್ತಾರೆ.
ವಾರದಿಂದ ವಾರಕ್ಕೆ ವಿವಿಧ ಸರಕುಗಳ ಪರ್ಯಾಯ ಖರೀದಿಗಳು
ಶಿಫಾರಸು ಮಾಡುವ ವ್ಯವಸ್ಥೆಗಳ ಬಗ್ಗೆ ಲೇಖನಗಳಲ್ಲಿ ನಾನು ನೋಡದ ಆಸಕ್ತಿದಾಯಕ ವಿಧಾನವು ಸಾಕಷ್ಟು ಸರಳವಾಗಿದೆ ಮತ್ತು ಅದೇ ಸಮಯದಲ್ಲಿ ಮಾರ್ಕೊವ್ ಸರಪಳಿಗಳ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ವಿಧಾನವಾಗಿದೆ. ಇಲ್ಲಿ ನಾವು 2 ವಿಭಿನ್ನ ವಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತೇವೆ, ನಂತರ ಪ್ರತಿ ಗ್ರಾಹಕರಿಗೆ ನಾವು ಜೋಡಿ ಉತ್ಪನ್ನಗಳನ್ನು ನಿರ್ಮಿಸುತ್ತೇವೆ [ವಾರದಲ್ಲಿ ಖರೀದಿಸಲಾಗಿದೆ i]-[ವಾರ j ನಲ್ಲಿ ಖರೀದಿಸಲಾಗಿದೆ], ಅಲ್ಲಿ j > i, ಮತ್ತು ಇಲ್ಲಿಂದ ನಾವು ಪ್ರತಿ ಉತ್ಪನ್ನಕ್ಕೆ ಮುಂದಿನ ವಾರ ಮತ್ತೊಂದು ಉತ್ಪನ್ನಕ್ಕೆ ಬದಲಾಯಿಸುವ ಸಂಭವನೀಯತೆಯನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುತ್ತೇವೆ. ಅಂದರೆ, ಪ್ರತಿ ಜೋಡಿ ಸರಕುಗಳಿಗೆ ಉತ್ಪನ್ನ-ಉತ್ಪನ್ನ ನಾವು ಕಂಡುಕೊಂಡ ಜೋಡಿಗಳಲ್ಲಿ ಅವರ ಸಂಖ್ಯೆಯನ್ನು ಎಣಿಸುತ್ತೇವೆ ಮತ್ತು ಜೋಡಿಗಳ ಸಂಖ್ಯೆಯಿಂದ ಭಾಗಿಸಿ, ಅಲ್ಲಿ ಉತ್ಪನ್ನಗಳು ಮೊದಲ ವಾರದಲ್ಲಿತ್ತು. ಅಭ್ಯರ್ಥಿಗಳನ್ನು ಹೊರತೆಗೆಯಲು, ನಾವು ಖರೀದಿದಾರನ ಕೊನೆಯ ರಸೀದಿಯನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತೇವೆ ಮತ್ತು ಹೊರತೆಗೆಯುತ್ತೇವೆ ಉನ್ನತ-ಕೆ ನಾವು ಸ್ವೀಕರಿಸಿದ ಪರಿವರ್ತನೆಯ ಮ್ಯಾಟ್ರಿಕ್ಸ್ನ ಮುಂದಿನ ಉತ್ಪನ್ನಗಳು. ಪರಿವರ್ತನೆಯ ಮ್ಯಾಟ್ರಿಕ್ಸ್ ಅನ್ನು ನಿರ್ಮಿಸುವ ಪ್ರಕ್ರಿಯೆಯು ಈ ರೀತಿ ಕಾಣುತ್ತದೆ:
ಪರಿವರ್ತನೆಯ ಸಂಭವನೀಯತೆಯ ಮ್ಯಾಟ್ರಿಕ್ಸ್ನಲ್ಲಿನ ನೈಜ ಉದಾಹರಣೆಗಳಿಂದ ನಾವು ಈ ಕೆಳಗಿನ ಆಸಕ್ತಿದಾಯಕ ವಿದ್ಯಮಾನಗಳನ್ನು ನೋಡುತ್ತೇವೆ:
ಗ್ರಾಹಕರ ನಡವಳಿಕೆಯಲ್ಲಿ ಬಹಿರಂಗಗೊಳ್ಳುವ ಆಸಕ್ತಿದಾಯಕ ಅವಲಂಬನೆಗಳನ್ನು ಇಲ್ಲಿ ನೀವು ಗಮನಿಸಬಹುದು: ಉದಾಹರಣೆಗೆ, ಸಿಟ್ರಸ್ ಹಣ್ಣುಗಳ ಪ್ರೇಮಿಗಳು ಅಥವಾ ಹಾಲಿನ ಬ್ರಾಂಡ್ ಅನ್ನು ಅವರು ಇನ್ನೊಂದಕ್ಕೆ ಬದಲಾಯಿಸುವ ಸಾಧ್ಯತೆಯಿದೆ. ಬೆಣ್ಣೆಯಂತಹ ಪುನರಾವರ್ತಿತ ಖರೀದಿಗಳ ಹೆಚ್ಚಿನ ಆವರ್ತನದೊಂದಿಗೆ ಉತ್ಪನ್ನಗಳು ಇಲ್ಲಿ ಕೊನೆಗೊಳ್ಳುವುದರಲ್ಲಿ ಆಶ್ಚರ್ಯವೇನಿಲ್ಲ.
ಮಾರ್ಕೊವ್ ಸರಪಳಿಗಳೊಂದಿಗಿನ ವಿಧಾನದಲ್ಲಿನ ಮೆಟ್ರಿಕ್ಗಳು ಈ ಕೆಳಗಿನಂತಿವೆ:
k - ಖರೀದಿದಾರನ ಕೊನೆಯ ವಹಿವಾಟಿನಿಂದ ಪ್ರತಿ ಖರೀದಿಸಿದ ಉತ್ಪನ್ನಕ್ಕೆ ಹಿಂಪಡೆಯಲಾದ ಉತ್ಪನ್ನಗಳ ಸಂಖ್ಯೆ.
ನಾವು ನೋಡುವಂತೆ, k=4 ನೊಂದಿಗೆ ಸಂರಚನೆಯಿಂದ ಉತ್ತಮ ಫಲಿತಾಂಶವನ್ನು ತೋರಿಸಲಾಗುತ್ತದೆ. ವಾರದ 4 ರಲ್ಲಿನ ಸ್ಪೈಕ್ ಅನ್ನು ರಜಾದಿನಗಳಲ್ಲಿ ಕಾಲೋಚಿತ ನಡವಳಿಕೆಯಿಂದ ವಿವರಿಸಬಹುದು.
ವಿಭಿನ್ನ ಮಾದರಿಗಳಿಂದ ನಿರ್ಮಿಸಲಾದ ಗುಣಲಕ್ಷಣಗಳ ಪ್ರಕಾರ, ಖರೀದಿದಾರರಿಗೆ ಇದೇ ರೀತಿಯ ಉತ್ಪನ್ನಗಳು
ಈಗ ನಾವು ಅತ್ಯಂತ ಕಷ್ಟಕರ ಮತ್ತು ಆಸಕ್ತಿದಾಯಕ ಭಾಗಕ್ಕೆ ಬಂದಿದ್ದೇವೆ - ಗ್ರಾಹಕರು ಮತ್ತು ವಿವಿಧ ಮಾದರಿಗಳ ಪ್ರಕಾರ ನಿರ್ಮಿಸಲಾದ ಉತ್ಪನ್ನಗಳ ವಾಹಕಗಳ ಆಧಾರದ ಮೇಲೆ ಹತ್ತಿರದ ನೆರೆಹೊರೆಯವರಿಗಾಗಿ ಹುಡುಕುತ್ತಿದ್ದೇವೆ. ನಮ್ಮ ಕೆಲಸದಲ್ಲಿ ನಾವು ಅಂತಹ 3 ಮಾದರಿಗಳನ್ನು ಬಳಸುತ್ತೇವೆ:
ALS
Word2Vec (ಇಂತಹ ಕಾರ್ಯಗಳಿಗಾಗಿ Item2Vec)
DSSM
ನಾವು ಈಗಾಗಲೇ ALS ನೊಂದಿಗೆ ವ್ಯವಹರಿಸಿದ್ದೇವೆ, ಅದು ಹೇಗೆ ಕಲಿಯುತ್ತದೆ ಎಂಬುದರ ಕುರಿತು ನೀವು ಓದಬಹುದು ಇಲ್ಲಿ. Word2Vec ನ ಸಂದರ್ಭದಲ್ಲಿ, ನಾವು ಮಾದರಿಯ ಪ್ರಸಿದ್ಧ ಅನುಷ್ಠಾನವನ್ನು ಬಳಸುತ್ತೇವೆ ಜೆನ್ಸಿಮ್. ಪಠ್ಯಗಳೊಂದಿಗೆ ಸಾದೃಶ್ಯದ ಮೂಲಕ, ನಾವು ಪ್ರಸ್ತಾಪವನ್ನು ಖರೀದಿ ರಶೀದಿ ಎಂದು ವ್ಯಾಖ್ಯಾನಿಸುತ್ತೇವೆ. ಹೀಗಾಗಿ, ಉತ್ಪನ್ನ ವೆಕ್ಟರ್ ಅನ್ನು ನಿರ್ಮಿಸುವಾಗ, ರಶೀದಿಯಲ್ಲಿ ಉತ್ಪನ್ನವನ್ನು ಅದರ "ಸಂದರ್ಭ" (ರಶೀದಿಯಲ್ಲಿ ಉಳಿದ ಉತ್ಪನ್ನಗಳು) ಊಹಿಸಲು ಮಾದರಿಯು ಕಲಿಯುತ್ತದೆ. ಇಕಾಮರ್ಸ್ ಡೇಟಾದಲ್ಲಿ, ರಶೀದಿಯ ಬದಲಿಗೆ ಖರೀದಿದಾರರ ಅಧಿವೇಶನವನ್ನು ಬಳಸುವುದು ಉತ್ತಮ; ಓ zon ೋನ್. ಮತ್ತು DSSM ಪಾರ್ಸ್ ಮಾಡಲು ಹೆಚ್ಚು ಆಸಕ್ತಿಕರವಾಗಿದೆ. ಆರಂಭದಲ್ಲಿ, ಇದನ್ನು ಹುಡುಕಾಟಕ್ಕಾಗಿ ಮಾದರಿಯಾಗಿ ಮೈಕ್ರೋಸಾಫ್ಟ್ನ ವ್ಯಕ್ತಿಗಳು ಬರೆದಿದ್ದಾರೆ, ಮೂಲ ಸಂಶೋಧನಾ ಪ್ರಬಂಧವನ್ನು ನೀವು ಇಲ್ಲಿ ಓದಬಹುದು. ಮಾದರಿಯ ವಾಸ್ತುಶಿಲ್ಪವು ಈ ರೀತಿ ಕಾಣುತ್ತದೆ:
ಇದು Q - ಪ್ರಶ್ನೆ, ಬಳಕೆದಾರರ ಹುಡುಕಾಟ ಪ್ರಶ್ನೆ, ಡಿ[i] - ಡಾಕ್ಯುಮೆಂಟ್, ಇಂಟರ್ನೆಟ್ ಪುಟ. ಮಾದರಿಯ ಇನ್ಪುಟ್ ಕ್ರಮವಾಗಿ ವಿನಂತಿ ಮತ್ತು ಪುಟಗಳ ಗುಣಲಕ್ಷಣಗಳಾಗಿವೆ. ಪ್ರತಿ ಇನ್ಪುಟ್ ಲೇಯರ್ನ ನಂತರ ಹಲವಾರು ಸಂಪೂರ್ಣ ಸಂಪರ್ಕಿತ ಲೇಯರ್ಗಳಿರುತ್ತವೆ (ಮಲ್ಟಿಲೇಯರ್ ಪರ್ಸೆಪ್ಟ್ರಾನ್). ಮುಂದೆ, ಮಾದರಿಯ ಕೊನೆಯ ಪದರಗಳಲ್ಲಿ ಪಡೆದ ವಾಹಕಗಳ ನಡುವಿನ ಕೊಸೈನ್ ಅನ್ನು ಕಡಿಮೆ ಮಾಡಲು ಮಾದರಿಯು ಕಲಿಯುತ್ತದೆ.
ಶಿಫಾರಸು ಕಾರ್ಯಗಳು ಒಂದೇ ರೀತಿಯ ವಾಸ್ತುಶಿಲ್ಪವನ್ನು ಬಳಸುತ್ತವೆ, ವಿನಂತಿಯ ಬದಲಿಗೆ ಬಳಕೆದಾರರಿದ್ದಾರೆ ಮತ್ತು ಪುಟಗಳ ಬದಲಿಗೆ ಉತ್ಪನ್ನಗಳಿವೆ. ಮತ್ತು ನಮ್ಮ ಸಂದರ್ಭದಲ್ಲಿ, ಈ ವಾಸ್ತುಶಿಲ್ಪವು ಈ ಕೆಳಗಿನಂತೆ ರೂಪಾಂತರಗೊಳ್ಳುತ್ತದೆ:
ಈಗ, ಫಲಿತಾಂಶಗಳನ್ನು ಪರಿಶೀಲಿಸಲು, ಇದು ಕೊನೆಯ ಹಂತವನ್ನು ಒಳಗೊಳ್ಳಲು ಉಳಿದಿದೆ - ALS ಮತ್ತು DSSM ಸಂದರ್ಭದಲ್ಲಿ ನಾವು ಬಳಕೆದಾರ ವೆಕ್ಟರ್ಗಳನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ವ್ಯಾಖ್ಯಾನಿಸಿದ್ದರೆ, Word2Vec ಸಂದರ್ಭದಲ್ಲಿ ನಾವು ಉತ್ಪನ್ನ ವೆಕ್ಟರ್ಗಳನ್ನು ಮಾತ್ರ ಹೊಂದಿದ್ದೇವೆ. ಇಲ್ಲಿ, ಬಳಕೆದಾರ ವೆಕ್ಟರ್ ಅನ್ನು ನಿರ್ಮಿಸಲು, ನಾವು 3 ಮುಖ್ಯ ವಿಧಾನಗಳನ್ನು ವ್ಯಾಖ್ಯಾನಿಸಿದ್ದೇವೆ:
ವೆಕ್ಟರ್ಗಳನ್ನು ಸೇರಿಸಿ, ನಂತರ ಕೊಸೈನ್ ದೂರಕ್ಕೆ ನಾವು ಖರೀದಿಯ ಇತಿಹಾಸದಲ್ಲಿ ಉತ್ಪನ್ನಗಳನ್ನು ಸರಾಸರಿ ಮಾಡಿದ್ದೇವೆ ಎಂದು ತಿರುಗುತ್ತದೆ.
ಸ್ವಲ್ಪ ಸಮಯದ ತೂಕದೊಂದಿಗೆ ವೆಕ್ಟರ್ ಸಂಕಲನ.
TF-IDF ಗುಣಾಂಕದೊಂದಿಗೆ ತೂಕದ ಸರಕುಗಳು.
ಖರೀದಿದಾರ ವೆಕ್ಟರ್ನ ರೇಖೀಯ ತೂಕದ ಸಂದರ್ಭದಲ್ಲಿ, ಬಳಕೆದಾರರು ನಿನ್ನೆ ಖರೀದಿಸಿದ ಉತ್ಪನ್ನವು ಆರು ತಿಂಗಳ ಹಿಂದೆ ಖರೀದಿಸಿದ ಉತ್ಪನ್ನಕ್ಕಿಂತ ಅವರ ನಡವಳಿಕೆಯ ಮೇಲೆ ಹೆಚ್ಚಿನ ಪ್ರಭಾವ ಬೀರುತ್ತದೆ ಎಂಬ ಊಹೆಯಿಂದ ನಾವು ಮುಂದುವರಿಯುತ್ತೇವೆ. ಆದ್ದರಿಂದ ನಾವು ಖರೀದಿದಾರರ ಹಿಂದಿನ ವಾರವನ್ನು 1 ರ ಆಡ್ಸ್ನೊಂದಿಗೆ ಪರಿಗಣಿಸುತ್ತೇವೆ ಮತ್ತು ½, ⅓, ಇತ್ಯಾದಿಗಳ ಆಡ್ಸ್ನೊಂದಿಗೆ ಮುಂದೆ ಏನಾಯಿತು:
TF-IDF ಗುಣಾಂಕಗಳಿಗಾಗಿ, ಪಠ್ಯಗಳಿಗಾಗಿ TF-IDF ನಲ್ಲಿರುವಂತೆಯೇ ನಾವು ನಿಖರವಾಗಿ ಮಾಡುತ್ತೇವೆ, ನಾವು ಖರೀದಿದಾರರನ್ನು ಡಾಕ್ಯುಮೆಂಟ್ ಎಂದು ಪರಿಗಣಿಸುತ್ತೇವೆ ಮತ್ತು ಚೆಕ್ ಅನ್ನು ಕ್ರಮವಾಗಿ ಕೊಡುಗೆಯಾಗಿ ಪರಿಗಣಿಸುತ್ತೇವೆ, ಪದವು ಉತ್ಪನ್ನವಾಗಿದೆ. ಈ ರೀತಿಯಾಗಿ, ಬಳಕೆದಾರರ ವೆಕ್ಟರ್ ಅಪರೂಪದ ಸರಕುಗಳ ಕಡೆಗೆ ಹೆಚ್ಚು ಬದಲಾಗುತ್ತದೆ, ಆದರೆ ಖರೀದಿದಾರರಿಗೆ ಆಗಾಗ್ಗೆ ಮತ್ತು ಪರಿಚಿತ ಸರಕುಗಳು ಅದನ್ನು ಹೆಚ್ಚು ಬದಲಾಯಿಸುವುದಿಲ್ಲ. ವಿಧಾನವನ್ನು ಈ ರೀತಿ ವಿವರಿಸಬಹುದು:
ಈಗ ಮೆಟ್ರಿಕ್ಗಳನ್ನು ನೋಡೋಣ. ALS ಫಲಿತಾಂಶಗಳು ಈ ರೀತಿ ಕಾಣುತ್ತವೆ:
ಖರೀದಿದಾರ ವೆಕ್ಟರ್ ಅನ್ನು ನಿರ್ಮಿಸುವ ವಿವಿಧ ಮಾರ್ಪಾಡುಗಳೊಂದಿಗೆ Item2Vec ಗಾಗಿ ಮೆಟ್ರಿಕ್ಸ್:
ಈ ಸಂದರ್ಭದಲ್ಲಿ, ನಮ್ಮ ಬೇಸ್ಲೈನ್ನಲ್ಲಿರುವಂತೆಯೇ ಅದೇ ಮಾದರಿಯನ್ನು ಬಳಸಲಾಗುತ್ತದೆ. ನಾವು ಯಾವ k ಅನ್ನು ಬಳಸುತ್ತೇವೆ ಎಂಬುದು ಒಂದೇ ವ್ಯತ್ಯಾಸ. ಸಹಕಾರಿ ಮಾದರಿಗಳನ್ನು ಮಾತ್ರ ಬಳಸಲು, ನೀವು ಪ್ರತಿ ಗ್ರಾಹಕರಿಗೆ ಸುಮಾರು 50-70 ಹತ್ತಿರದ ಉತ್ಪನ್ನಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಬೇಕಾಗುತ್ತದೆ.
ಮತ್ತು DSSM ಪ್ರಕಾರ ಮೆಟ್ರಿಕ್ಸ್:
ಎಲ್ಲಾ ವಿಧಾನಗಳನ್ನು ಹೇಗೆ ಸಂಯೋಜಿಸುವುದು?
ಕೂಲ್, ನೀವು ಹೇಳುತ್ತೀರಿ, ಆದರೆ ಅಂತಹ ದೊಡ್ಡ ಅಭ್ಯರ್ಥಿ ಹೊರತೆಗೆಯುವ ಸಾಧನಗಳೊಂದಿಗೆ ಏನು ಮಾಡಬೇಕು? ನಿಮ್ಮ ಡೇಟಾಗೆ ಸೂಕ್ತವಾದ ಕಾನ್ಫಿಗರೇಶನ್ ಅನ್ನು ಹೇಗೆ ಆರಿಸುವುದು? ಇಲ್ಲಿ ನಮಗೆ ಹಲವಾರು ಸಮಸ್ಯೆಗಳಿವೆ:
ಪ್ರತಿ ವಿಧಾನದಲ್ಲಿ ಹೈಪರ್ಪ್ಯಾರಾಮೀಟರ್ಗಳಿಗಾಗಿ ಹುಡುಕಾಟ ಜಾಗವನ್ನು ಹೇಗಾದರೂ ಮಿತಿಗೊಳಿಸುವುದು ಅವಶ್ಯಕ. ಇದು ಸಹಜವಾಗಿ, ಎಲ್ಲೆಡೆ ಪ್ರತ್ಯೇಕವಾಗಿದೆ, ಆದರೆ ಸಂಭವನೀಯ ಬಿಂದುಗಳ ಸಂಖ್ಯೆ ತುಂಬಾ ದೊಡ್ಡದಾಗಿದೆ.
ನಿರ್ದಿಷ್ಟ ಹೈಪರ್ಪ್ಯಾರಾಮೀಟರ್ಗಳೊಂದಿಗೆ ನಿರ್ದಿಷ್ಟ ವಿಧಾನಗಳ ಸಣ್ಣ ಸೀಮಿತ ಮಾದರಿಯನ್ನು ಬಳಸಿಕೊಂಡು, ನಿಮ್ಮ ಮೆಟ್ರಿಕ್ಗೆ ಉತ್ತಮವಾದ ಕಾನ್ಫಿಗರೇಶನ್ ಅನ್ನು ನೀವು ಹೇಗೆ ಆಯ್ಕೆ ಮಾಡಬಹುದು?
ಮೊದಲ ಪ್ರಶ್ನೆಗೆ ನಾವು ಇನ್ನೂ ಖಚಿತವಾಗಿ ಸರಿಯಾದ ಉತ್ತರವನ್ನು ಕಂಡುಕೊಂಡಿಲ್ಲ, ಆದ್ದರಿಂದ ನಾವು ಈ ಕೆಳಗಿನವುಗಳಿಂದ ಮುಂದುವರಿಯುತ್ತೇವೆ: ಪ್ರತಿ ವಿಧಾನಕ್ಕೂ, ನಾವು ಹೊಂದಿರುವ ಡೇಟಾದ ಕೆಲವು ಅಂಕಿಅಂಶಗಳನ್ನು ಅವಲಂಬಿಸಿ ಹೈಪರ್ಪ್ಯಾರಾಮೀಟರ್ ಹುಡುಕಾಟ ಸ್ಪೇಸ್ ಲಿಮಿಟರ್ ಅನ್ನು ಬರೆಯಲಾಗುತ್ತದೆ. ಹೀಗಾಗಿ, ಜನರಿಂದ ಖರೀದಿಗಳ ನಡುವಿನ ಸರಾಸರಿ ಅವಧಿಯನ್ನು ತಿಳಿದುಕೊಳ್ಳುವುದರಿಂದ, "ಈಗಾಗಲೇ ಏನು ಖರೀದಿಸಲಾಗಿದೆ" ಮತ್ತು "ದೀರ್ಘ ಹಿಂದಿನ ಖರೀದಿಯ ಅವಧಿ" ವಿಧಾನವನ್ನು ಯಾವ ಅವಧಿಯಲ್ಲಿ ಬಳಸಬೇಕೆಂದು ನಾವು ಊಹಿಸಬಹುದು.
ಮತ್ತು ನಾವು ವಿಭಿನ್ನ ವಿಧಾನಗಳ ನಿರ್ದಿಷ್ಟ ಸಂಖ್ಯೆಯ ವ್ಯತ್ಯಾಸಗಳ ಮೂಲಕ ಹೋದ ನಂತರ, ನಾವು ಈ ಕೆಳಗಿನವುಗಳನ್ನು ಗಮನಿಸುತ್ತೇವೆ: ಪ್ರತಿ ಅನುಷ್ಠಾನವು ನಿರ್ದಿಷ್ಟ ಸಂಖ್ಯೆಯ ಅಭ್ಯರ್ಥಿಗಳನ್ನು ಹೊರತೆಗೆಯುತ್ತದೆ ಮತ್ತು ನಮಗೆ ಪ್ರಮುಖ ಮೆಟ್ರಿಕ್ನ ನಿರ್ದಿಷ್ಟ ಮೌಲ್ಯವನ್ನು ಹೊಂದಿರುತ್ತದೆ (ಮರುಸ್ಥಾಪನೆ). ನಮ್ಮ ಅನುಮತಿಸಬಹುದಾದ ಕಂಪ್ಯೂಟಿಂಗ್ ಶಕ್ತಿಯನ್ನು ಅವಲಂಬಿಸಿ, ಹೆಚ್ಚಿನ ಸಂಭವನೀಯ ಮೆಟ್ರಿಕ್ನೊಂದಿಗೆ ಒಟ್ಟು ನಿರ್ದಿಷ್ಟ ಸಂಖ್ಯೆಯ ಅಭ್ಯರ್ಥಿಗಳನ್ನು ಪಡೆಯಲು ನಾವು ಬಯಸುತ್ತೇವೆ. ಇಲ್ಲಿ ಸಮಸ್ಯೆಯು ಸುಂದರವಾಗಿ ಬೆನ್ನುಹೊರೆಯ ಸಮಸ್ಯೆಗೆ ಕುಸಿಯುತ್ತದೆ.
ಇಲ್ಲಿ ಅಭ್ಯರ್ಥಿಗಳ ಸಂಖ್ಯೆಯು ಇಂಗೋಟ್ನ ತೂಕವಾಗಿದೆ ಮತ್ತು ಮರುಪಡೆಯುವಿಕೆ ವಿಧಾನವು ಅದರ ಮೌಲ್ಯವಾಗಿದೆ. ಆದಾಗ್ಯೂ, ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸುವಾಗ ಗಣನೆಗೆ ತೆಗೆದುಕೊಳ್ಳಬೇಕಾದ ಇನ್ನೂ 2 ಅಂಶಗಳಿವೆ:
ಅವರು ಹಿಂಪಡೆಯುವ ಅಭ್ಯರ್ಥಿಗಳಲ್ಲಿ ವಿಧಾನಗಳು ಅತಿಕ್ರಮಿಸಿರಬಹುದು.
ಕೆಲವು ಸಂದರ್ಭಗಳಲ್ಲಿ, ವಿಭಿನ್ನ ನಿಯತಾಂಕಗಳೊಂದಿಗೆ ಎರಡು ಬಾರಿ ಒಂದು ವಿಧಾನವನ್ನು ತೆಗೆದುಕೊಳ್ಳುವುದು ಸರಿಯಾಗಿರುತ್ತದೆ ಮತ್ತು ಮೊದಲಿನಿಂದ ಅಭ್ಯರ್ಥಿಯ ಔಟ್ಪುಟ್ ಎರಡನೆಯ ಉಪವಿಭಾಗವಾಗಿರುವುದಿಲ್ಲ.
ಉದಾಹರಣೆಗೆ, ನಾವು ಮರುಪಡೆಯುವಿಕೆಗಾಗಿ ವಿಭಿನ್ನ ಮಧ್ಯಂತರಗಳೊಂದಿಗೆ "ನಾನು ಈಗಾಗಲೇ ಏನು ಖರೀದಿಸಿದ್ದೇನೆ" ವಿಧಾನದ ಅನುಷ್ಠಾನವನ್ನು ತೆಗೆದುಕೊಂಡರೆ, ನಂತರ ಅವರ ಅಭ್ಯರ್ಥಿಗಳ ಸೆಟ್ಗಳು ಪರಸ್ಪರರೊಳಗೆ ಗೂಡುಕಟ್ಟಲ್ಪಡುತ್ತವೆ. ಅದೇ ಸಮಯದಲ್ಲಿ, ನಿರ್ಗಮನದಲ್ಲಿ "ನಿಯತಕಾಲಿಕ ಖರೀದಿಗಳಲ್ಲಿ" ವಿಭಿನ್ನ ನಿಯತಾಂಕಗಳು ಸಂಪೂರ್ಣ ಛೇದಕವನ್ನು ಒದಗಿಸುವುದಿಲ್ಲ. ಆದ್ದರಿಂದ, ನಾವು ಪ್ರತಿ ಬ್ಲಾಕ್ನಿಂದ ನಿರ್ದಿಷ್ಟ ಹೈಪರ್ಪ್ಯಾರಾಮೀಟರ್ಗಳೊಂದಿಗೆ ಗರಿಷ್ಠ ಒಂದು ಹೊರತೆಗೆಯುವ ವಿಧಾನವನ್ನು ತೆಗೆದುಕೊಳ್ಳಲು ಬಯಸುವ ವಿಭಿನ್ನ ನಿಯತಾಂಕಗಳೊಂದಿಗೆ ಮಾದರಿ ವಿಧಾನಗಳನ್ನು ಬ್ಲಾಕ್ಗಳಾಗಿ ವಿಂಗಡಿಸುತ್ತೇವೆ. ಇದನ್ನು ಮಾಡಲು, ನ್ಯಾಪ್ಸಾಕ್ ಸಮಸ್ಯೆಯನ್ನು ಅನುಷ್ಠಾನಗೊಳಿಸುವಲ್ಲಿ ನೀವು ಸ್ವಲ್ಪ ಬುದ್ಧಿವಂತಿಕೆಯನ್ನು ಪಡೆಯಬೇಕು, ಆದರೆ ಅಸಿಂಪ್ಟೋಟಿಕ್ಸ್ ಮತ್ತು ಫಲಿತಾಂಶವು ಬದಲಾಗುವುದಿಲ್ಲ.
ಈ ಸ್ಮಾರ್ಟ್ ಸಂಯೋಜನೆಯು ಸರಳವಾಗಿ ಸಹಯೋಗದ ಮಾದರಿಗಳೊಂದಿಗೆ ಹೋಲಿಸಿದರೆ ಕೆಳಗಿನ ಮೆಟ್ರಿಕ್ಗಳನ್ನು ಪಡೆಯಲು ನಮಗೆ ಅನುಮತಿಸುತ್ತದೆ:
ಅಂತಿಮ ಮೆಟ್ರಿಕ್ಗಳಲ್ಲಿ ನಾವು ಈ ಕೆಳಗಿನ ಚಿತ್ರವನ್ನು ನೋಡುತ್ತೇವೆ:
ಆದಾಗ್ಯೂ, ವ್ಯಾಪಾರಕ್ಕೆ ಉಪಯುಕ್ತವಾದ ಶಿಫಾರಸುಗಳಿಗಾಗಿ ಒಂದು ತೆರೆದ ಅಂಶವಿದೆ ಎಂದು ಇಲ್ಲಿ ನೀವು ಗಮನಿಸಬಹುದು. ಬಳಕೆದಾರರು ಏನನ್ನು ಖರೀದಿಸುತ್ತಾರೆ ಎಂಬುದನ್ನು ಊಹಿಸುವ ಉತ್ತಮ ಕೆಲಸವನ್ನು ಹೇಗೆ ಮಾಡಬೇಕೆಂದು ನಾವು ಈಗ ಕಲಿತಿದ್ದೇವೆ, ಉದಾಹರಣೆಗೆ, ಮುಂದಿನ ವಾರ. ಆದರೆ ಅವನು ಈಗಾಗಲೇ ಖರೀದಿಸುವ ಯಾವುದನ್ನಾದರೂ ರಿಯಾಯಿತಿ ನೀಡುವುದು ತುಂಬಾ ತಂಪಾಗಿಲ್ಲ. ಆದರೆ ನಿರೀಕ್ಷೆಯನ್ನು ಗರಿಷ್ಠಗೊಳಿಸಲು ಇದು ತಂಪಾಗಿದೆ, ಉದಾಹರಣೆಗೆ, ಕೆಳಗಿನ ಮೆಟ್ರಿಕ್ಗಳು:
ವೈಯಕ್ತಿಕ ಶಿಫಾರಸುಗಳ ಆಧಾರದ ಮೇಲೆ ಅಂಚು/ವಹಿವಾಟು.
ಸರಾಸರಿ ಗ್ರಾಹಕ ಪರಿಶೀಲನೆ.
ಭೇಟಿಗಳ ಆವರ್ತನ.
ಆದ್ದರಿಂದ ನಾವು ಪಡೆದ ಸಂಭವನೀಯತೆಗಳನ್ನು ವಿವಿಧ ಗುಣಾಂಕಗಳಿಂದ ಗುಣಿಸುತ್ತೇವೆ ಮತ್ತು ಅವುಗಳನ್ನು ಮರುರ್ಯಾಂಕ್ ಮಾಡುತ್ತೇವೆ ಇದರಿಂದ ಮೇಲಿನ ಮೆಟ್ರಿಕ್ಗಳ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರುವ ಉತ್ಪನ್ನಗಳು ಮೇಲಕ್ಕೆ ಬರುತ್ತವೆ. ಯಾವ ವಿಧಾನವನ್ನು ಬಳಸುವುದು ಉತ್ತಮ ಎಂಬುದಕ್ಕೆ ಯಾವುದೇ ಸಿದ್ಧ ಪರಿಹಾರವಿಲ್ಲ. ನಾವು ಅಂತಹ ಗುಣಾಂಕಗಳನ್ನು ನೇರವಾಗಿ ಉತ್ಪಾದನೆಯಲ್ಲಿ ಪ್ರಯೋಗಿಸುತ್ತೇವೆ. ಆದರೆ ಇಲ್ಲಿ ಆಸಕ್ತಿದಾಯಕ ತಂತ್ರಗಳು ನಮಗೆ ಉತ್ತಮ ಫಲಿತಾಂಶಗಳನ್ನು ನೀಡುತ್ತವೆ:
ಉತ್ಪನ್ನದ ಬೆಲೆ/ಅಂಚಿನಿಂದ ಗುಣಿಸಿ.
ಉತ್ಪನ್ನವು ಕಾಣಿಸಿಕೊಳ್ಳುವ ಸರಾಸರಿ ರಸೀದಿಯಿಂದ ಗುಣಿಸಿ. ಆದ್ದರಿಂದ ಸರಕುಗಳು ಬರುತ್ತವೆ, ಅದರೊಂದಿಗೆ ಅವರು ಸಾಮಾನ್ಯವಾಗಿ ಬೇರೆ ಯಾವುದನ್ನಾದರೂ ತೆಗೆದುಕೊಳ್ಳುತ್ತಾರೆ.
ಈ ಉತ್ಪನ್ನದ ಖರೀದಿದಾರರ ಭೇಟಿಗಳ ಸರಾಸರಿ ಆವರ್ತನದಿಂದ ಗುಣಿಸಿ, ಈ ಉತ್ಪನ್ನವು ಜನರನ್ನು ಹೆಚ್ಚಾಗಿ ಹಿಂದಿರುಗಿಸಲು ಪ್ರಚೋದಿಸುತ್ತದೆ ಎಂಬ ಊಹೆಯ ಆಧಾರದ ಮೇಲೆ.
ಗುಣಾಂಕಗಳೊಂದಿಗೆ ಪ್ರಯೋಗಗಳನ್ನು ನಡೆಸಿದ ನಂತರ, ನಾವು ಉತ್ಪಾದನೆಯಲ್ಲಿ ಈ ಕೆಳಗಿನ ಮೆಟ್ರಿಕ್ಗಳನ್ನು ಪಡೆದುಕೊಂಡಿದ್ದೇವೆ:
ಇದು ಒಟ್ಟಾರೆ ಉತ್ಪನ್ನಗಳ ಪರಿವರ್ತನೆ - ನಾವು ರಚಿಸಿದ ಶಿಫಾರಸುಗಳಲ್ಲಿ ಎಲ್ಲಾ ಉತ್ಪನ್ನಗಳಲ್ಲಿ ಖರೀದಿಸಿದ ಉತ್ಪನ್ನಗಳ ಪಾಲು.
ಗಮನ ಸೆಳೆಯುವ ಓದುಗರು ಆಫ್ಲೈನ್ ಮತ್ತು ಆನ್ಲೈನ್ ಮೆಟ್ರಿಕ್ಗಳ ನಡುವಿನ ಗಮನಾರ್ಹ ವ್ಯತ್ಯಾಸವನ್ನು ಗಮನಿಸುತ್ತಾರೆ. ಮಾದರಿಯನ್ನು ತರಬೇತಿ ಮಾಡುವಾಗ ಶಿಫಾರಸು ಮಾಡಬಹುದಾದ ಉತ್ಪನ್ನಗಳಿಗೆ ಎಲ್ಲಾ ಡೈನಾಮಿಕ್ ಫಿಲ್ಟರ್ಗಳನ್ನು ಗಣನೆಗೆ ತೆಗೆದುಕೊಳ್ಳಲಾಗುವುದಿಲ್ಲ ಎಂಬ ಅಂಶದಿಂದ ಈ ನಡವಳಿಕೆಯನ್ನು ವಿವರಿಸಲಾಗಿದೆ. ನಮಗೆ, ಮರುಪಡೆಯಲಾದ ಅರ್ಧದಷ್ಟು ಅಭ್ಯರ್ಥಿಗಳನ್ನು ಫಿಲ್ಟರ್ ಮಾಡಿದಾಗ ಇದು ಸಾಮಾನ್ಯ ಕಥೆಯಾಗಿದೆ; ಈ ನಿರ್ದಿಷ್ಟತೆಯು ನಮ್ಮ ಉದ್ಯಮದಲ್ಲಿ ವಿಶಿಷ್ಟವಾಗಿದೆ.
ಆದಾಯದ ವಿಷಯದಲ್ಲಿ, ಈ ಕೆಳಗಿನ ಕಥೆಯನ್ನು ಪಡೆಯಲಾಗಿದೆ, ಶಿಫಾರಸುಗಳ ಪ್ರಾರಂಭದ ನಂತರ, ಪರೀಕ್ಷಾ ಗುಂಪಿನ ಆದಾಯವು ಬಲವಾಗಿ ಬೆಳೆಯುತ್ತಿದೆ ಎಂಬುದು ಸ್ಪಷ್ಟವಾಗಿದೆ, ಈಗ ನಮ್ಮ ಶಿಫಾರಸುಗಳೊಂದಿಗೆ ಆದಾಯದ ಸರಾಸರಿ ಹೆಚ್ಚಳವು 3-4% ಆಗಿದೆ:
ಕೊನೆಯಲ್ಲಿ, ನಿಮಗೆ ನೈಜ-ಸಮಯದ ಶಿಫಾರಸುಗಳ ಅಗತ್ಯವಿದ್ದರೆ, ಶಿಫಾರಸುಗಳಿಗಾಗಿ ಅಭ್ಯರ್ಥಿಗಳನ್ನು ಹೊರತೆಗೆಯುವ ಪ್ರಯೋಗಗಳಲ್ಲಿ ಗುಣಮಟ್ಟದಲ್ಲಿ ಬಹಳ ದೊಡ್ಡ ಹೆಚ್ಚಳವನ್ನು ಕಾಣಬಹುದು ಎಂದು ನಾನು ಹೇಳಲು ಬಯಸುತ್ತೇನೆ. ಅವರ ಪೀಳಿಗೆಗೆ ಹೆಚ್ಚಿನ ಸಮಯವು ಅನೇಕ ಉತ್ತಮ ವಿಧಾನಗಳನ್ನು ಸಂಯೋಜಿಸಲು ಸಾಧ್ಯವಾಗಿಸುತ್ತದೆ, ಇದು ಒಟ್ಟಾರೆಯಾಗಿ ವ್ಯವಹಾರಕ್ಕೆ ಉತ್ತಮ ಫಲಿತಾಂಶಗಳನ್ನು ನೀಡುತ್ತದೆ.
ವಿಷಯವನ್ನು ಆಸಕ್ತಿದಾಯಕವಾಗಿ ಕಾಣುವ ಯಾರೊಂದಿಗಾದರೂ ಕಾಮೆಂಟ್ಗಳಲ್ಲಿ ಚಾಟ್ ಮಾಡಲು ನನಗೆ ಸಂತೋಷವಾಗುತ್ತದೆ. ನೀವು ನನಗೆ ವೈಯಕ್ತಿಕವಾಗಿ ಪ್ರಶ್ನೆಗಳನ್ನು ಕೇಳಬಹುದು ಟೆಲಿಗ್ರಾಮ್. ನಾನು AI/ಸ್ಟಾರ್ಟ್ಅಪ್ಗಳ ಬಗ್ಗೆ ನನ್ನ ಆಲೋಚನೆಗಳನ್ನು ನನ್ನಲ್ಲಿ ಹಂಚಿಕೊಳ್ಳುತ್ತೇನೆ ಟೆಲಿಗ್ರಾಮ್ ಚಾನಲ್ - ಸ್ವಾಗತ :)