എല്ലാവർക്കും ഹായ്! എന്റെ പേര് സാഷ, ഞാൻ ലോയൽറ്റി ലാബിലെ CTO & സഹസ്ഥാപകനാണ്. രണ്ട് വർഷം മുമ്പ്, ഞാനും എന്റെ സുഹൃത്തുക്കളും, എല്ലാ പാവപ്പെട്ട വിദ്യാർത്ഥികളെയും പോലെ, വൈകുന്നേരം ഞങ്ങളുടെ വീടിനടുത്തുള്ള കടയിൽ ബിയർ വാങ്ങാൻ പോയി. ഞങ്ങൾ ബിയർ കഴിക്കാൻ വരുമെന്ന് അറിഞ്ഞുകൊണ്ട് ചില്ലറ വ്യാപാരികൾ ചിപ്സിനോ പടക്കംക്കോ കിഴിവ് നൽകാത്തതിൽ ഞങ്ങൾ വളരെ അസ്വസ്ഥരായിരുന്നു, ഇത് വളരെ യുക്തിസഹമാണെങ്കിലും! എന്തുകൊണ്ടാണ് ഈ സാഹചര്യം സംഭവിക്കുന്നതെന്ന് ഞങ്ങൾക്ക് മനസ്സിലായില്ല, ഞങ്ങളുടെ സ്വന്തം കമ്പനി ആരംഭിക്കാൻ തീരുമാനിച്ചു. ബോണസ് എന്ന നിലയിൽ, എല്ലാ വെള്ളിയാഴ്ചയും അതേ ചിപ്പുകളിൽ സ്വയം കിഴിവുകൾ നൽകുക.

ഉൽപ്പന്നത്തിന്റെ സാങ്കേതിക വശത്ത് ഞാൻ മെറ്റീരിയൽ അവതരിപ്പിക്കുന്ന ഘട്ടത്തിലേക്ക് ഇതെല്ലാം എത്തി എൻവിഡിയ ജിടിസി. ഞങ്ങളുടെ ജോലി കമ്മ്യൂണിറ്റിയുമായി പങ്കിടുന്നതിൽ ഞങ്ങൾക്ക് സന്തോഷമുണ്ട്, അതിനാൽ ഞാൻ എന്റെ റിപ്പോർട്ട് ഒരു ലേഖനത്തിന്റെ രൂപത്തിൽ പ്രസിദ്ധീകരിക്കുന്നു.

ആമുഖം

യാത്രയുടെ തുടക്കത്തിൽ എല്ലാവരേയും പോലെ, ശുപാർശ ചെയ്യുന്ന സംവിധാനങ്ങൾ എങ്ങനെ നിർമ്മിക്കപ്പെടുന്നു എന്നതിന്റെ ഒരു അവലോകനത്തോടെയാണ് ഞങ്ങൾ ആരംഭിച്ചത്. ഏറ്റവും ജനപ്രിയമായ വാസ്തുവിദ്യ ഇനിപ്പറയുന്ന തരമായി മാറി:

ഇത് രണ്ട് ഭാഗങ്ങൾ ഉൾക്കൊള്ളുന്നു:

1. ലളിതവും വേഗതയേറിയതുമായ മോഡൽ ഉപയോഗിച്ച് ശുപാർശകൾക്കായി ഉദ്യോഗാർത്ഥികളെ സാമ്പിൾ ചെയ്യുന്നു, സാധാരണയായി ഒരു സഹകരണം.
2. ഡാറ്റയിലെ സാധ്യമായ എല്ലാ സവിശേഷതകളും കണക്കിലെടുത്ത് കൂടുതൽ സങ്കീർണ്ണവും വേഗത കുറഞ്ഞതുമായ ഉള്ളടക്ക മോഡലുള്ള സ്ഥാനാർത്ഥികളുടെ റാങ്കിംഗ്.

ഇനി മുതൽ ഞാൻ ഇനിപ്പറയുന്ന നിബന്ധനകൾ ഉപയോഗിക്കും:

• ശുപാർശകൾക്കുള്ള കാൻഡിഡേറ്റ്/കാൻഡിഡേറ്റ് - പ്രൊഡക്ഷനിലെ ശുപാർശകളിൽ ഉൾപ്പെടുത്താൻ സാധ്യതയുള്ള ഒരു ഉപയോക്തൃ-ഉൽപ്പന്ന ജോടി.
• കാൻഡിഡേറ്റ് എക്സ്ട്രാക്ഷൻ/എക്‌സ്‌ട്രാക്റ്റർ/കാൻഡിഡേറ്റ് എക്‌സ്‌ട്രാക്ഷൻ രീതി - ലഭ്യമായ ഡാറ്റയിൽ നിന്ന് "ശുപാർശ കാൻഡിഡേറ്റുകൾ" വേർതിരിച്ചെടുക്കുന്നതിനുള്ള ഒരു പ്രക്രിയ അല്ലെങ്കിൽ രീതി.

ആദ്യ ഘട്ടത്തിൽ സാധാരണയായി സഹകരണ ഫിൽട്ടറിംഗിന്റെ വ്യത്യസ്ത വ്യതിയാനങ്ങൾ ഉപയോഗിക്കുന്നത് ഉൾപ്പെടുന്നു. ഏറ്റവും ജനപ്രിയമായത് - ALS. ശുപാർശ ചെയ്യുന്ന സിസ്റ്റങ്ങളെക്കുറിച്ചുള്ള മിക്ക ലേഖനങ്ങളും ആദ്യ ഘട്ടത്തിൽ സഹകരണ മോഡലുകളുടെ വിവിധ മെച്ചപ്പെടുത്തലുകൾ വെളിപ്പെടുത്തുന്നു എന്നത് ആശ്ചര്യകരമാണ്, എന്നാൽ മറ്റ് സാമ്പിൾ രീതികളെക്കുറിച്ച് ആരും അധികം സംസാരിക്കുന്നില്ല. ഞങ്ങളെ സംബന്ധിച്ചിടത്തോളം, സഹകരണ മോഡലുകളും അവയ്‌ക്കൊപ്പം വിവിധ ഒപ്റ്റിമൈസേഷനുകളും മാത്രം ഉപയോഗിക്കുന്ന സമീപനം ഞങ്ങൾ പ്രതീക്ഷിച്ച ഗുണനിലവാരത്തിൽ പ്രവർത്തിക്കുന്നില്ല, അതിനാൽ ഞങ്ങൾ ഈ ഭാഗത്ത് പ്രത്യേകമായി ഗവേഷണം നടത്തി. ലേഖനത്തിന്റെ അവസാനം, ALS മെച്ചപ്പെടുത്താൻ ഞങ്ങൾക്ക് എത്രത്തോളം കഴിഞ്ഞുവെന്ന് ഞാൻ കാണിക്കും, അത് ഞങ്ങളുടെ അടിസ്ഥാനമായിരുന്നു.

ഞങ്ങളുടെ സമീപനം വിവരിക്കുന്നതിന് മുമ്പ്, തൽസമയ ശുപാർശകളിൽ, 30 മിനിറ്റ് മുമ്പ് സംഭവിച്ച ഡാറ്റ കണക്കിലെടുക്കേണ്ടത് പ്രധാനമായിരിക്കുമ്പോൾ, ആവശ്യമായ സമയത്ത് പ്രവർത്തിക്കാൻ കഴിയുന്ന നിരവധി സമീപനങ്ങളൊന്നുമില്ല എന്നത് ശ്രദ്ധിക്കേണ്ടതാണ്. പക്ഷേ, ഞങ്ങളുടെ കാര്യത്തിൽ, ഞങ്ങൾ ദിവസത്തിൽ ഒന്നിൽ കൂടുതൽ ശുപാർശകൾ ശേഖരിക്കേണ്ടതില്ല, മിക്ക കേസുകളിലും - ആഴ്ചയിൽ ഒരിക്കൽ, ഇത് സങ്കീർണ്ണമായ മോഡലുകൾ ഉപയോഗിക്കാനും ഗുണനിലവാരം പലമടങ്ങ് മെച്ചപ്പെടുത്താനും ഞങ്ങൾക്ക് അവസരം നൽകുന്നു.

ഉദ്യോഗാർത്ഥികളെ എക്‌സ്‌ട്രാക്റ്റുചെയ്യുന്ന ടാസ്‌ക്കിൽ ALS മാത്രം കാണിക്കുന്ന അളവുകൾ അടിസ്ഥാനമായി എടുക്കാം. ഞങ്ങൾ നിരീക്ഷിക്കുന്ന പ്രധാന മെട്രിക്കുകൾ ഇവയാണ്:

• പ്രിസിഷൻ - സാമ്പിൾ ചെയ്തവരിൽ നിന്ന് ശരിയായി തിരഞ്ഞെടുത്ത സ്ഥാനാർത്ഥികളുടെ അനുപാതം.
• യഥാർത്ഥത്തിൽ ടാർഗെറ്റ് ഇടവേളയിൽ ഉണ്ടായിരുന്ന സ്ഥാനാർത്ഥികളുടെ അനുപാതമാണ് തിരിച്ചുവിളിക്കുക.
• F1-സ്കോർ - മുമ്പത്തെ രണ്ട് പോയിന്റുകളിൽ കണക്കാക്കിയ F-അളവ്.

അധിക ഉള്ളടക്ക ഫീച്ചറുകൾ ഉപയോഗിച്ച് ഗ്രേഡിയന്റ് ബൂസ്റ്റിംഗ് പരിശീലിപ്പിച്ചതിന് ശേഷം ഞങ്ങൾ അന്തിമ മോഡലിന്റെ അളവുകളും നോക്കും. ഇവിടെ 3 പ്രധാന മെട്രിക്കുകളും ഉണ്ട്:

• പ്രിസിഷൻ@5 - ഓരോ വാങ്ങുന്നയാൾക്കും പ്രോബബിലിറ്റിയുടെ അടിസ്ഥാനത്തിൽ മികച്ച 5 ൽ നിന്നുള്ള ഉൽപ്പന്നങ്ങളുടെ ശരാശരി ശതമാനം.
• പ്രതികരണ നിരക്ക്@5 - സ്റ്റോറിലേക്കുള്ള സന്ദർശനം മുതൽ കുറഞ്ഞത് ഒരു വ്യക്തിഗത ഓഫറെങ്കിലും വാങ്ങുന്നതിലേക്ക് ഉപഭോക്താക്കളെ പരിവർത്തനം ചെയ്യുക (ഒരു ഓഫറിൽ 5 ഉൽപ്പന്നങ്ങൾ).
• ഓരോ ഉപയോക്താവിനും ശരാശരി roc-auc - ശരാശരി roc-auc ഓരോ വാങ്ങുന്നയാൾക്കും.

ഈ അളവുകളെല്ലാം അളക്കുന്നത് ശ്രദ്ധിക്കേണ്ടതാണ് ടൈം-സീരീസ് ക്രോസ്-വാലിഡേഷൻ, അതായത്, ആദ്യ k ആഴ്‌ചകളിൽ പരിശീലനം നടക്കുന്നു, കൂടാതെ k+1 ആഴ്‌ച ടെസ്റ്റ് ഡാറ്റയായി എടുക്കുന്നു. അങ്ങനെ, സീസണൽ ഉയർച്ച താഴ്ചകൾ മോഡലുകളുടെ ഗുണനിലവാരത്തിന്റെ വ്യാഖ്യാനത്തിൽ കുറഞ്ഞ സ്വാധീനം ചെലുത്തി. എല്ലാ ഗ്രാഫുകളിലും, abscissa അക്ഷം ക്രോസ് മൂല്യനിർണ്ണയത്തിൽ ആഴ്‌ചയുടെ സംഖ്യയെ സൂചിപ്പിക്കും, കൂടാതെ ഓർഡിനേറ്റ് അക്ഷം നിർദ്ദിഷ്ട മെട്രിക്കിന്റെ മൂല്യത്തെ സൂചിപ്പിക്കും. എല്ലാ ഗ്രാഫുകളും ഒരു ക്ലയന്റിൽ നിന്നുള്ള ഇടപാട് ഡാറ്റയെ അടിസ്ഥാനമാക്കിയുള്ളതാണ്, അതിനാൽ പരസ്പരം താരതമ്യം ചെയ്യുന്നത് ശരിയാണ്.

ഞങ്ങളുടെ സമീപനം വിവരിക്കാൻ തുടങ്ങുന്നതിനുമുമ്പ്, ഞങ്ങൾ ആദ്യം ALS-പരിശീലിപ്പിച്ച മാതൃകയായ അടിസ്ഥാനരേഖയിലേക്ക് നോക്കുന്നു.
കാൻഡിഡേറ്റ് വീണ്ടെടുക്കൽ മെട്രിക്‌സ്:

അന്തിമ അളവുകൾ:

അൽഗോരിതങ്ങളുടെ എല്ലാ നിർവ്വഹണങ്ങളെയും ഞാൻ ഒരുതരം ബിസിനസ്സ് സിദ്ധാന്തമായി കണക്കാക്കുന്നു. അതിനാൽ, ഏതാണ്ട്, ഏതൊരു സഹകരണ മാതൃകയും "ആളുകൾ തങ്ങൾക്ക് സമാനമായ ആളുകൾ വാങ്ങുന്നത് വാങ്ങാൻ പ്രവണത കാണിക്കുന്നു" എന്ന ഒരു സിദ്ധാന്തമായി കണക്കാക്കാം. ഞാൻ ഇതിനകം പറഞ്ഞതുപോലെ, ഞങ്ങൾ അത്തരം സെമാന്റിക്‌സിലേക്ക് സ്വയം പരിമിതപ്പെടുത്തിയിട്ടില്ല, കൂടാതെ ഓഫ്‌ലൈൻ റീട്ടെയിലിലെ ഡാറ്റയിൽ നന്നായി പ്രവർത്തിക്കുന്ന ചില അനുമാനങ്ങൾ ഇതാ:

1. ഞാൻ മുമ്പ് വാങ്ങിയത്.
2. ഞാൻ മുമ്പ് വാങ്ങിയതിന് സമാനമാണ്.
3. ഒരു നീണ്ട മുൻ വാങ്ങലിന്റെ കാലയളവ്.
4. വിഭാഗം/ബ്രാൻഡ് പ്രകാരം ജനപ്രിയം.
5. ആഴ്‌ച മുതൽ ആഴ്‌ച വരെ വിവിധ സാധനങ്ങളുടെ ഇതര വാങ്ങലുകൾ (മാർക്കോവ് ശൃംഖലകൾ).
6. വ്യത്യസ്ത മോഡലുകൾ (Word2Vec, DSSM, മുതലായവ) നിർമ്മിച്ച സ്വഭാവസവിശേഷതകൾ അനുസരിച്ച്, വാങ്ങുന്നവർക്ക് സമാനമായ ഉൽപ്പന്നങ്ങൾ.

നിങ്ങൾ മുമ്പ് എന്താണ് വാങ്ങിയത്?

ഗ്രോസറി റീട്ടെയിലിൽ വളരെ നന്നായി പ്രവർത്തിക്കുന്ന ഏറ്റവും വ്യക്തമായ ഹ്യൂറിസ്റ്റിക്. ലോയൽറ്റി കാർഡ് ഹോൾഡർ കഴിഞ്ഞ K ദിവസങ്ങളിൽ (സാധാരണയായി 1-3 ആഴ്ചകൾ) അല്ലെങ്കിൽ ഒരു വർഷം മുമ്പ് K ദിവസങ്ങളിൽ വാങ്ങിയ എല്ലാ സാധനങ്ങളും ഞങ്ങൾ ഇവിടെ എടുക്കുന്നു. ഈ രീതി മാത്രം പ്രയോഗിക്കുന്നതിലൂടെ, ഞങ്ങൾക്ക് ഇനിപ്പറയുന്ന മെട്രിക്‌സ് ലഭിക്കും:

കാലയളവ് കൂടുതൽ എടുക്കുന്തോറും നമുക്ക് കൂടുതൽ തിരിച്ചുവിളിക്കലും കൃത്യത കുറവും നമുക്ക് തിരിച്ചും ഉണ്ടെന്നും ഇവിടെ വ്യക്തമാണ്. ശരാശരി, "അവസാന 2 ആഴ്ചകൾ" ക്ലയന്റുകൾക്ക് മികച്ച ഫലങ്ങൾ നൽകുന്നു.

ഞാൻ മുമ്പ് വാങ്ങിയതിന് സമാനമാണ്

പലചരക്ക് ചില്ലറ വിൽപ്പനയ്ക്ക് "ഞാൻ മുമ്പ് വാങ്ങിയത്" നന്നായി പ്രവർത്തിക്കുന്നതിൽ അതിശയിക്കാനില്ല, എന്നാൽ ഉപയോക്താവ് ഇതിനകം വാങ്ങിയതിൽ നിന്ന് മാത്രം സ്ഥാനാർത്ഥികളെ വേർതിരിച്ചെടുക്കുന്നത് വളരെ രസകരമല്ല, കാരണം ചില പുതിയ ഉൽപ്പന്നങ്ങൾ ഉപയോഗിച്ച് വാങ്ങുന്നയാളെ ആശ്ചര്യപ്പെടുത്താൻ സാധ്യതയില്ല. അതിനാൽ, സമാന സഹകരണ മോഡലുകൾ ഉപയോഗിച്ച് ഈ ഹ്യൂറിസ്റ്റിക് അൽപ്പം മെച്ചപ്പെടുത്താൻ ഞങ്ങൾ നിർദ്ദേശിക്കുന്നു. ALS പരിശീലന സമയത്ത് ഞങ്ങൾക്ക് ലഭിച്ച വെക്റ്ററുകളിൽ നിന്ന്, ഉപയോക്താവ് ഇതിനകം വാങ്ങിയതിന് സമാനമായ ഉൽപ്പന്നങ്ങൾ ഞങ്ങൾക്ക് ലഭിക്കും. വീഡിയോ ഉള്ളടക്കം കാണുന്നതിനുള്ള സേവനങ്ങളിലെ "സമാന വീഡിയോകൾ" എന്നതിന് ഈ ആശയം വളരെ സാമ്യമുള്ളതാണ്, എന്നാൽ ഒരു പ്രത്യേക നിമിഷത്തിൽ ഉപയോക്താവ് എന്താണ് കഴിക്കുന്നത്/വാങ്ങുന്നത് എന്ന് ഞങ്ങൾക്ക് അറിയാത്തതിനാൽ, അവൻ ഇതിനകം വാങ്ങിയതിന് സമാനമായവ മാത്രമേ ഞങ്ങൾക്ക് തിരയാൻ കഴിയൂ, പ്രത്യേകിച്ച് കാരണം ഇത് എത്ര നന്നായി പ്രവർത്തിക്കുന്നുവെന്ന് ഞങ്ങൾക്കറിയാം. കഴിഞ്ഞ 2 ആഴ്‌ചയ്‌ക്കുള്ള ഉപയോക്തൃ ഇടപാടുകളിൽ ഈ രീതി പ്രയോഗിക്കുന്നത്, ഇനിപ്പറയുന്ന മെട്രിക്കുകൾ ഞങ്ങൾക്ക് ലഭിക്കും:

ഇത് k - കഴിഞ്ഞ 14 ദിവസങ്ങളിൽ വാങ്ങുന്നയാൾ വാങ്ങിയ ഓരോ ഉൽപ്പന്നത്തിനും സമാനമായ ഉൽപ്പന്നങ്ങളുടെ എണ്ണം.
ഈ സമീപനം ഞങ്ങളുടെ ക്ലയന്റിനായി പ്രത്യേകിച്ചും നന്നായി പ്രവർത്തിച്ചു, ഉപയോക്തൃ വാങ്ങൽ ചരിത്രത്തിൽ ഇതിനകം ഉള്ള ഒന്നും ശുപാർശ ചെയ്യാതിരിക്കുന്നത് നിർണായകമായിരുന്നു.

വൈകി വാങ്ങൽ കാലയളവ്

ഞങ്ങൾ ഇതിനകം കണ്ടെത്തിയതുപോലെ, സാധനങ്ങൾ വാങ്ങുന്നതിന്റെ ഉയർന്ന ആവൃത്തി കാരണം, ആദ്യത്തെ സമീപനം ഞങ്ങളുടെ പ്രത്യേക ആവശ്യങ്ങൾക്ക് നന്നായി പ്രവർത്തിക്കുന്നു. എന്നാൽ വാഷിംഗ് പൗഡർ/ഷാംപൂ/തുടങ്ങിയ സാധനങ്ങളുടെ കാര്യമോ? അതായത്, ഓരോ ആഴ്ചയും രണ്ടോ ആഴ്ചയും ആവശ്യമില്ലാത്തതും മുമ്പത്തെ രീതികൾ വേർതിരിച്ചെടുക്കാൻ കഴിയാത്തതുമായ ഉൽപ്പന്നങ്ങൾക്കൊപ്പം. ഇത് ഇനിപ്പറയുന്ന ആശയത്തിലേക്ക് നയിക്കുന്നു - ഉൽപ്പന്നം കൂടുതൽ വാങ്ങിയ ഉപഭോക്താക്കൾക്കായി ശരാശരി ഓരോ ഉൽപ്പന്നവും വാങ്ങുന്ന കാലയളവ് കണക്കാക്കാൻ നിർദ്ദേശിക്കുന്നു k ഒരിക്കല്. വാങ്ങുന്നയാൾക്ക് ഇതിനകം തീർന്നുപോയത് എക്‌സ്‌ട്രാക്റ്റുചെയ്യുക. ചരക്കുകൾക്കായി കണക്കാക്കിയ കാലയളവുകൾ പര്യാപ്തതയ്ക്കായി നിങ്ങളുടെ കണ്ണുകൊണ്ട് പരിശോധിക്കാവുന്നതാണ്:

തുടർന്ന്, നിർദ്ദേശങ്ങൾ ഉൽപ്പാദനത്തിലായിരിക്കുമ്പോൾ ഉൽപ്പന്ന കാലയളവിന്റെ അവസാനം സമയ ഇടവേളയിൽ വരുമോ എന്ന് ഞങ്ങൾ നോക്കും, എന്താണ് സംഭവിക്കുന്നതെന്ന് സാമ്പിൾ ചെയ്യും. സമീപനം ഇതുപോലെ ചിത്രീകരിക്കാം:

ഇവിടെ നമുക്ക് പരിഗണിക്കാവുന്ന 2 പ്രധാന കേസുകൾ ഉണ്ട്:

1. കെ തവണയിൽ കുറവ് ഉൽപ്പന്നം വാങ്ങിയ ഉപഭോക്താക്കളിൽ നിന്ന് ഉൽപ്പന്നങ്ങൾ മാതൃകയാക്കേണ്ടത് ആവശ്യമാണോ.
2. ഒരു ഉൽപ്പന്നത്തിന്റെ കാലയളവിന്റെ അവസാനം ടാർഗെറ്റ് ഇടവേളയുടെ തുടക്കത്തിന് മുമ്പ് വീഴുകയാണെങ്കിൽ അത് സാമ്പിൾ ചെയ്യേണ്ടതുണ്ടോ?

വ്യത്യസ്ത ഹൈപ്പർപാരാമീറ്ററുകൾ ഉപയോഗിച്ച് ഈ രീതി എന്ത് ഫലങ്ങൾ കൈവരിക്കുന്നുവെന്ന് ഇനിപ്പറയുന്ന ഗ്രാഫ് കാണിക്കുന്നു:

ft - കുറഞ്ഞത് K (ഇവിടെ K=5) തവണയെങ്കിലും ഉൽപ്പന്നം വാങ്ങിയ ഉപഭോക്താക്കളെ മാത്രം എടുക്കുക
tm - ടാർഗെറ്റ് ഇടവേളയിൽ വരുന്ന ഉദ്യോഗാർത്ഥികളെ മാത്രം എടുക്കുക

അദ്ദേഹത്തിന് കഴിയുന്നതിൽ അതിശയിക്കാനില്ല (0, 0) ഏറ്റവും വലുത് തിരിച്ചുവിളിക്കുക ഏറ്റവും ചെറിയതും സൂക്ഷ്മമായത്, കാരണം ഈ അവസ്ഥയിൽ ഏറ്റവും കൂടുതൽ സ്ഥാനാർത്ഥികളെ വീണ്ടെടുക്കുന്നു. എന്നിരുന്നാലും, ഒരു പ്രത്യേക ഉൽപ്പന്നത്തിൽ കുറവ് വാങ്ങിയ ഉപഭോക്താക്കൾക്കായി ഞങ്ങൾ ഉൽപ്പന്നങ്ങൾ സാമ്പിൾ ചെയ്യാത്തപ്പോൾ മികച്ച ഫലങ്ങൾ കൈവരിക്കാനാകും k സമയവും എക്‌സ്‌ട്രാക്റ്റും, സാധനങ്ങൾ ഉൾപ്പെടെ, കാലയളവിന്റെ അവസാനം ടാർഗെറ്റ് ഇടവേളയ്ക്ക് മുമ്പായി വീഴുന്നു.

വിഭാഗമനുസരിച്ച് ജനപ്രിയം

വ്യത്യസ്‌ത വിഭാഗങ്ങളിലോ ബ്രാൻഡുകളിലോ ഉടനീളം ജനപ്രിയ ഉൽപ്പന്നങ്ങൾ സാമ്പിൾ ചെയ്യുക എന്നതാണ് വ്യക്തമായ മറ്റൊരു ആശയം. ഇവിടെ ഞങ്ങൾ ഓരോ വാങ്ങുന്നയാൾക്കും കണക്കാക്കുന്നു ടോപ്പ്-കെ “പ്രിയപ്പെട്ട” വിഭാഗങ്ങൾ/ബ്രാൻഡുകൾ കൂടാതെ ഈ വിഭാഗത്തിൽ/ബ്രാൻഡിൽ നിന്ന് “ജനപ്രിയമായത്” വേർതിരിച്ചെടുക്കുക. ഞങ്ങളുടെ കാര്യത്തിൽ, ഉൽപ്പന്നത്തിന്റെ വാങ്ങലുകളുടെ എണ്ണം അനുസരിച്ച് ഞങ്ങൾ "പ്രിയപ്പെട്ടതും" "ജനപ്രിയവും" നിർണ്ണയിക്കും. ഈ സമീപനത്തിന്റെ ഒരു അധിക നേട്ടം കോൾഡ് സ്റ്റാർട്ട് കേസിൽ അതിന്റെ പ്രയോഗമാണ്. അതായത്, ഒന്നുകിൽ വളരെ കുറച്ച് വാങ്ങലുകൾ നടത്തിയ, അല്ലെങ്കിൽ ദീർഘകാലത്തേക്ക് സ്റ്റോറിൽ വരാത്ത, അല്ലെങ്കിൽ ഒരു ലോയൽറ്റി കാർഡ് ഇഷ്യൂ ചെയ്ത ഉപഭോക്താക്കൾക്ക്. അവരെ സംബന്ധിച്ചിടത്തോളം, ഉപഭോക്താക്കൾക്കിടയിൽ ജനപ്രിയമായതും ചരിത്രമുള്ളതുമായ ഇനങ്ങൾ സ്റ്റോക്ക് ചെയ്യുന്നത് എളുപ്പവും മികച്ചതുമാണ്. തത്ഫലമായുണ്ടാകുന്ന അളവുകൾ ഇവയാണ്:

ഇവിടെ "വിഭാഗം" എന്ന വാക്കിന് ശേഷമുള്ള സംഖ്യ അർത്ഥമാക്കുന്നത് വിഭാഗത്തിന്റെ നെസ്റ്റിംഗ് നിലയാണ്.

മൊത്തത്തിൽ, ഇടുങ്ങിയ വിഭാഗങ്ങൾ മികച്ച ഫലങ്ങൾ കൈവരിക്കുന്നതിൽ അതിശയിക്കാനില്ല, കാരണം അവ ഷോപ്പർമാർക്കായി കൂടുതൽ കൃത്യമായ "പ്രിയപ്പെട്ട" ഉൽപ്പന്നങ്ങൾ വേർതിരിച്ചെടുക്കുന്നു.

ആഴ്‌ച മുതൽ ആഴ്‌ച വരെ വിവിധ സാധനങ്ങളുടെ ഇതര വാങ്ങലുകൾ

ശുപാർശ ചെയ്യുന്ന സിസ്റ്റങ്ങളെക്കുറിച്ചുള്ള ലേഖനങ്ങളിൽ ഞാൻ കണ്ടിട്ടില്ലാത്ത രസകരമായ ഒരു സമീപനം വളരെ ലളിതവും അതേ സമയം മാർക്കോവ് ശൃംഖലകളുടെ സ്റ്റാറ്റിസ്റ്റിക്കൽ രീതിയുമാണ്. ഇവിടെ ഞങ്ങൾ 2 വ്യത്യസ്ത ആഴ്‌ചകൾ എടുക്കുന്നു, തുടർന്ന് ഓരോ ഉപഭോക്താവിനും ഞങ്ങൾ ജോഡി ഉൽപ്പന്നങ്ങൾ നിർമ്മിക്കുന്നു [ആഴ്ചയിൽ വാങ്ങിയത് i]-[ആഴ്ചയിൽ വാങ്ങിയത് j], ഇവിടെ j > i, ഇവിടെ നിന്ന് ഞങ്ങൾ ഓരോ ഉൽപ്പന്നത്തിനും അടുത്ത ആഴ്ച മറ്റൊരു ഉൽപ്പന്നത്തിലേക്ക് മാറാനുള്ള സാധ്യത കണക്കാക്കുന്നു. അതായത്, ഓരോ ജോഡി സാധനങ്ങൾക്കും ഉല്പന്ന-ഉത്പന്നം ഞങ്ങൾ കണ്ടെത്തിയ ജോഡികളിൽ അവയുടെ എണ്ണം കണക്കാക്കുകയും ജോഡികളുടെ എണ്ണം കൊണ്ട് ഹരിക്കുകയും ചെയ്യുന്നു ഉൽപ്പന്നങ്ങൾ ആദ്യ ആഴ്ചയിൽ ആയിരുന്നു. കാൻഡിഡേറ്റ് എക്‌സ്‌ട്രാക്‌റ്റുചെയ്യാൻ, ഞങ്ങൾ വാങ്ങുന്നയാളുടെ അവസാന രസീതും എക്‌സ്‌ട്രാക്‌റ്റും എടുക്കുന്നു ടോപ്പ്-കെ ഞങ്ങൾക്ക് ലഭിച്ച ട്രാൻസിഷൻ മാട്രിക്സിൽ നിന്നുള്ള ഏറ്റവും സാധ്യതയുള്ള അടുത്ത ഉൽപ്പന്നങ്ങൾ. ഒരു ട്രാൻസിഷൻ മാട്രിക്സ് നിർമ്മിക്കുന്ന പ്രക്രിയ ഇതുപോലെ കാണപ്പെടുന്നു:

ട്രാൻസിഷൻ പ്രോബബിലിറ്റി മാട്രിക്സിലെ യഥാർത്ഥ ഉദാഹരണങ്ങളിൽ നിന്ന് ഇനിപ്പറയുന്ന രസകരമായ പ്രതിഭാസങ്ങൾ ഞങ്ങൾ കാണുന്നു:

ഉപഭോക്തൃ പെരുമാറ്റത്തിൽ വെളിപ്പെടുന്ന രസകരമായ ആശ്രിതത്വങ്ങൾ ഇവിടെ നിങ്ങൾക്ക് കാണാൻ കഴിയും: ഉദാഹരണത്തിന്, സിട്രസ് പഴങ്ങൾ ഇഷ്ടപ്പെടുന്നവർ അല്ലെങ്കിൽ അവർ മറ്റൊന്നിലേക്ക് മാറാൻ സാധ്യതയുള്ള പാൽ ബ്രാൻഡ്. വെണ്ണ പോലെയുള്ള ആവർത്തിച്ചുള്ള വാങ്ങലുകളുടെ ഉയർന്ന ആവൃത്തിയിലുള്ള ഉൽപ്പന്നങ്ങളും ഇവിടെ അവസാനിക്കുന്നതിൽ അതിശയിക്കാനില്ല.

മാർക്കോവ് ശൃംഖലകളുള്ള രീതിയിലെ അളവുകൾ ഇപ്രകാരമാണ്:

k - വാങ്ങുന്നയാളുടെ അവസാന ഇടപാടിൽ നിന്ന് വാങ്ങിയ ഓരോ ഉൽപ്പന്നത്തിനും വീണ്ടെടുക്കുന്ന ഉൽപ്പന്നങ്ങളുടെ എണ്ണം.
നമുക്ക് കാണാനാകുന്നതുപോലെ, k=4 ഉള്ള കോൺഫിഗറേഷനാണ് മികച്ച ഫലം കാണിക്കുന്നത്. 4-ആം ആഴ്ചയിലെ വർദ്ധനവ് അവധി ദിവസങ്ങളിലെ സീസണൽ പെരുമാറ്റത്തിലൂടെ വിശദീകരിക്കാം. 

വാങ്ങുന്നവർക്ക് സമാനമായ ഉൽപ്പന്നങ്ങൾ, വ്യത്യസ്ത മോഡലുകൾ നിർമ്മിച്ച സ്വഭാവസവിശേഷതകൾ അനുസരിച്ച്

ഇപ്പോൾ ഞങ്ങൾ ഏറ്റവും ബുദ്ധിമുട്ടുള്ളതും രസകരവുമായ ഭാഗത്തേക്ക് എത്തിയിരിക്കുന്നു - ഉപഭോക്താക്കളുടെ വെക്റ്ററുകളും വിവിധ മോഡലുകൾക്കനുസരിച്ച് നിർമ്മിച്ച ഉൽപ്പന്നങ്ങളും അടിസ്ഥാനമാക്കി അടുത്തുള്ള അയൽക്കാർക്കായി തിരയുന്നു. ഞങ്ങളുടെ ജോലിയിൽ ഞങ്ങൾ അത്തരം 3 മോഡലുകൾ ഉപയോഗിക്കുന്നു:

• ALS
• Word2Vec (ഇത്തരം ജോലികൾക്കുള്ള Item2Vec)
• ഡി.എസ്.എസ്.എം

ഞങ്ങൾ ഇതിനകം ALS കൈകാര്യം ചെയ്തിട്ടുണ്ട്, അത് എങ്ങനെ പഠിക്കുന്നു എന്നതിനെക്കുറിച്ച് നിങ്ങൾക്ക് വായിക്കാം ഇവിടെ. Word2Vec-ന്റെ കാര്യത്തിൽ, ഞങ്ങൾ മോഡലിന്റെ അറിയപ്പെടുന്ന നടപ്പിലാക്കൽ ഉപയോഗിക്കുന്നു ജെൻസിം. ടെക്‌സ്‌റ്റുകളുമായുള്ള സാമ്യം ഉപയോഗിച്ച്, ഞങ്ങൾ ഓഫർ ഒരു വാങ്ങൽ രസീതായി നിർവചിക്കുന്നു. അങ്ങനെ, ഒരു ഉൽപ്പന്ന വെക്റ്റർ നിർമ്മിക്കുമ്പോൾ, രസീതിലെ ഉൽപ്പന്നത്തെ അതിന്റെ "സന്ദർഭം" (രസീതിലെ ശേഷിക്കുന്ന ഉൽപ്പന്നങ്ങൾ) പ്രവചിക്കാൻ മോഡൽ പഠിക്കുന്നു. ഇ-കൊമേഴ്‌സ് ഡാറ്റയിൽ, രസീതിന് പകരം വാങ്ങുന്നയാളുടെ സെഷൻ ഉപയോഗിക്കുന്നതാണ് നല്ലത്; ഓസോൺ. DSSM പാഴ്‌സ് ചെയ്യാൻ കൂടുതൽ രസകരമാണ്. തുടക്കത്തിൽ, ഇത് തിരയലിനുള്ള ഒരു മാതൃകയായി മൈക്രോസോഫ്റ്റിൽ നിന്നുള്ള ആൺകുട്ടികളാണ് എഴുതിയത്, യഥാർത്ഥ ഗവേഷണ പ്രബന്ധം നിങ്ങൾക്ക് ഇവിടെ വായിക്കാം. മോഡലിന്റെ വാസ്തുവിദ്യ ഇതുപോലെ കാണപ്പെടുന്നു:

ഇത് Q — ചോദ്യം, ഉപയോക്തൃ തിരയൽ അന്വേഷണം, D[i] - പ്രമാണം, ഇന്റർനെറ്റ് പേജ്. മോഡലിലേക്കുള്ള ഇൻപുട്ട് യഥാക്രമം അഭ്യർത്ഥനയുടെയും പേജുകളുടെയും ആട്രിബ്യൂട്ടുകളാണ്. ഓരോ ഇൻപുട്ട് ലെയറിനുശേഷവും പൂർണ്ണമായി ബന്ധിപ്പിച്ചിട്ടുള്ള നിരവധി ലെയറുകൾ ഉണ്ട് (മൾട്ടിലെയർ പെർസെപ്‌ട്രോൺ). അടുത്തതായി, മോഡലിന്റെ അവസാന പാളികളിൽ ലഭിച്ച വെക്റ്ററുകൾക്കിടയിലുള്ള കോസൈൻ കുറയ്ക്കാൻ മോഡൽ പഠിക്കുന്നു.
ശുപാർശ ചെയ്യുന്ന ജോലികൾ ഒരേ ആർക്കിടെക്ചർ ഉപയോഗിക്കുന്നു, ഒരു അഭ്യർത്ഥനയ്ക്ക് പകരം ഒരു ഉപയോക്താവ് മാത്രമേ ഉള്ളൂ, പേജുകൾക്ക് പകരം ഉൽപ്പന്നങ്ങളുണ്ട്. ഞങ്ങളുടെ കാര്യത്തിൽ, ഈ വാസ്തുവിദ്യ ഇനിപ്പറയുന്നതിലേക്ക് രൂപാന്തരപ്പെടുന്നു:

ഇപ്പോൾ, ഫലങ്ങൾ പരിശോധിക്കുന്നതിന്, അവസാന പോയിന്റ് ഉൾക്കൊള്ളാൻ അവശേഷിക്കുന്നു - ALS, DSSM എന്നിവയുടെ കാര്യത്തിൽ ഞങ്ങൾ ഉപയോക്തൃ വെക്റ്ററുകൾ വ്യക്തമായി നിർവചിച്ചിട്ടുണ്ടെങ്കിൽ, Word2Vec-ന്റെ കാര്യത്തിൽ ഞങ്ങൾക്ക് ഉൽപ്പന്ന വെക്റ്ററുകൾ മാത്രമേയുള്ളൂ. ഇവിടെ, ഉപയോക്തൃ വെക്റ്റർ നിർമ്മിക്കുന്നതിന്, ഞങ്ങൾ 3 പ്രധാന സമീപനങ്ങൾ നിർവചിച്ചു:

1. വെക്റ്ററുകൾ ചേർക്കുക, തുടർന്ന് കോസൈൻ ദൂരത്തിന് ഞങ്ങൾ വാങ്ങൽ ചരിത്രത്തിലെ ഉൽപ്പന്നങ്ങളുടെ ശരാശരി കണക്കാക്കിയതായി മാറുന്നു.
2. വെക്റ്റർ സമ്മേഷൻ, കുറച്ച് സമയം വെയ്റ്റിംഗ്.
3. TF-IDF കോഫിഫിഷ്യന്റ് ഉള്ള സാധനങ്ങൾ തൂക്കിനോക്കുന്നു.

ബയർ വെക്‌ടറിന്റെ ലീനിയർ വെയ്റ്റിംഗിന്റെ കാര്യത്തിൽ, ആറ് മാസം മുമ്പ് വാങ്ങിയ ഉൽപ്പന്നത്തേക്കാൾ ഉപയോക്താവ് ഇന്നലെ വാങ്ങിയ ഉൽപ്പന്നം അവന്റെ പെരുമാറ്റത്തിൽ വലിയ സ്വാധീനം ചെലുത്തുന്നു എന്ന അനുമാനത്തിൽ നിന്നാണ് ഞങ്ങൾ മുന്നോട്ട് പോകുന്നത്. അതിനാൽ, വാങ്ങുന്നയാളുടെ മുൻ ആഴ്‌ച 1 ന്റെ അസന്തുലിതാവസ്ഥയും ½, ⅓ മുതലായവയുടെ അസന്തുലിതാവസ്ഥയ്‌ക്കൊപ്പം അടുത്തതായി എന്താണ് സംഭവിച്ചതെന്ന് ഞങ്ങൾ പരിഗണിക്കുന്നു:

TF-IDF ഗുണകങ്ങൾക്കായി, ടെക്സ്റ്റുകൾക്കായി TF-IDF-ൽ ഉള്ളത് പോലെ തന്നെ ഞങ്ങൾ ചെയ്യുന്നു, വാങ്ങുന്നയാളെ ഒരു ഡോക്യുമെന്റായും ചെക്ക് ഒരു ഓഫറായും മാത്രമേ ഞങ്ങൾ പരിഗണിക്കൂ, വാക്ക് ഒരു ഉൽപ്പന്നമാണ്. ഈ രീതിയിൽ, ഉപയോക്താവിന്റെ വെക്റ്റർ അപൂർവ ചരക്കുകളിലേക്ക് കൂടുതൽ മാറും, അതേസമയം വാങ്ങുന്നയാൾക്ക് പതിവുള്ളതും പരിചിതവുമായ സാധനങ്ങൾ അതിൽ വലിയ മാറ്റമുണ്ടാക്കില്ല. സമീപനം ഇതുപോലെ ചിത്രീകരിക്കാം:

ഇനി മെട്രിക്സ് നോക്കാം. ALS ഫലങ്ങൾ ഇങ്ങനെയാണ്:

ബയർ വെക്റ്റർ നിർമ്മിക്കുന്നതിന്റെ വ്യത്യസ്ത വ്യതിയാനങ്ങളുള്ള Item2Vec-നുള്ള മെട്രിക്‌സ്:

ഈ സാഹചര്യത്തിൽ, ഞങ്ങളുടെ അടിസ്ഥാന ലൈനിലെ അതേ മാതൃകയാണ് ഉപയോഗിക്കുന്നത്. നമ്മൾ ഏത് കെ ഉപയോഗിക്കും എന്നത് മാത്രമാണ് വ്യത്യാസം. സഹകരണ മോഡലുകൾ മാത്രം ഉപയോഗിക്കുന്നതിന്, ഓരോ ഉപഭോക്താവിനും ഏറ്റവും അടുത്തുള്ള 50-70 ഉൽപ്പന്നങ്ങൾ നിങ്ങൾ എടുക്കണം.

DSSM അനുസരിച്ച് അളവുകൾ:

എല്ലാ രീതികളും എങ്ങനെ സംയോജിപ്പിക്കാം?

കൊള്ളാം, നിങ്ങൾ പറയുന്നു, എന്നാൽ ഇത്രയും വലിയ കാൻഡിഡേറ്റ് എക്‌സ്‌ട്രാക്ഷൻ ടൂളുകൾ ഉപയോഗിച്ച് എന്തുചെയ്യണം? നിങ്ങളുടെ ഡാറ്റയ്ക്കായി ഒപ്റ്റിമൽ കോൺഫിഗറേഷൻ എങ്ങനെ തിരഞ്ഞെടുക്കാം? ഇവിടെ ഞങ്ങൾക്ക് നിരവധി പ്രശ്നങ്ങൾ ഉണ്ട്:

1. ഓരോ രീതിയിലും ഹൈപ്പർപാരാമീറ്ററുകൾക്കായുള്ള തിരയൽ ഇടം എങ്ങനെയെങ്കിലും പരിമിതപ്പെടുത്തേണ്ടത് ആവശ്യമാണ്. ഇത് തീർച്ചയായും എല്ലായിടത്തും വ്യതിരിക്തമാണ്, പക്ഷേ സാധ്യമായ പോയിന്റുകളുടെ എണ്ണം വളരെ വലുതാണ്.
2. നിർദ്ദിഷ്ട ഹൈപ്പർപാരാമീറ്ററുകളുള്ള നിർദ്ദിഷ്ട രീതികളുടെ ഒരു ചെറിയ പരിമിത സാമ്പിൾ ഉപയോഗിച്ച്, നിങ്ങളുടെ മെട്രിക്കിനുള്ള മികച്ച കോൺഫിഗറേഷൻ എങ്ങനെ തിരഞ്ഞെടുക്കാം?

ആദ്യ ചോദ്യത്തിനുള്ള കൃത്യമായ ഉത്തരം ഞങ്ങൾ ഇതുവരെ കണ്ടെത്തിയിട്ടില്ല, അതിനാൽ ഞങ്ങൾ ഇനിപ്പറയുന്നതിൽ നിന്ന് മുന്നോട്ട് പോകുന്നു: ഓരോ രീതിക്കും, ഞങ്ങളുടെ പക്കലുള്ള ഡാറ്റയിലെ ചില സ്ഥിതിവിവരക്കണക്കുകൾ അനുസരിച്ച്, ഒരു ഹൈപ്പർപാരാമീറ്റർ തിരയൽ സ്‌പെയ്‌സ് ലിമിറ്റർ എഴുതിയിരിക്കുന്നു. അതിനാൽ, ആളുകളിൽ നിന്നുള്ള വാങ്ങലുകൾക്കിടയിലുള്ള ശരാശരി കാലയളവ് അറിയുന്നതിലൂടെ, "ഇതിനകം വാങ്ങിയത്", "ഒരു നീണ്ട മുൻകാല വാങ്ങലിന്റെ കാലയളവ്" എന്നിവ ഏത് കാലയളവിലാണ് ഉപയോഗിക്കേണ്ടതെന്ന് നമുക്ക് ഊഹിക്കാം.

വ്യത്യസ്‌ത രീതികളുടെ ഒരു നിശ്ചിത എണ്ണം വ്യതിയാനങ്ങളിലൂടെ കടന്നുപോയ ശേഷം, ഇനിപ്പറയുന്നവ ഞങ്ങൾ ശ്രദ്ധിക്കുന്നു: ഓരോ നിർവ്വഹണവും ഒരു നിശ്ചിത എണ്ണം ഉദ്യോഗാർത്ഥികളെ എക്‌സ്‌ട്രാക്റ്റുചെയ്യുകയും ഞങ്ങൾക്ക് കീ മെട്രിക്കിന്റെ ഒരു നിശ്ചിത മൂല്യമുണ്ട് (ഓർക്കുക). ഞങ്ങളുടെ അനുവദനീയമായ കമ്പ്യൂട്ടിംഗ് ശക്തിയെ ആശ്രയിച്ച്, സാധ്യമായ ഏറ്റവും ഉയർന്ന മെട്രിക് ഉപയോഗിച്ച്, ഒരു നിശ്ചിത എണ്ണം ഉദ്യോഗാർത്ഥികളെ ലഭിക്കാൻ ഞങ്ങൾ ആഗ്രഹിക്കുന്നു. ഇവിടെ പ്രശ്നം മനോഹരമായി ബാക്ക്പാക്ക് പ്രശ്നത്തിലേക്ക് ചുരുങ്ങുന്നു.

ഇവിടെ സ്ഥാനാർത്ഥികളുടെ എണ്ണം ഇൻഗോട്ടിന്റെ ഭാരമാണ്, തിരിച്ചുവിളിക്കുന്ന രീതി അതിന്റെ മൂല്യമാണ്. എന്നിരുന്നാലും, അൽഗോരിതം നടപ്പിലാക്കുമ്പോൾ കണക്കിലെടുക്കേണ്ട 2 പോയിന്റുകൾ കൂടി ഉണ്ട്:

• അവർ വീണ്ടെടുക്കുന്ന കാൻഡിഡേറ്റുകളിൽ രീതികൾ ഓവർലാപ്പ് ചെയ്തേക്കാം.
• ചില സാഹചര്യങ്ങളിൽ, വ്യത്യസ്ത പാരാമീറ്ററുകൾ ഉപയോഗിച്ച് ഒരു രീതി രണ്ടുതവണ എടുക്കുന്നത് ശരിയായിരിക്കും, കൂടാതെ ആദ്യത്തേതിൽ നിന്നുള്ള കാൻഡിഡേറ്റ് ഔട്ട്പുട്ട് രണ്ടാമത്തേതിന്റെ ഉപവിഭാഗമായിരിക്കില്ല.

ഉദാഹരണത്തിന്, വീണ്ടെടുക്കലിനായി വ്യത്യസ്‌ത ഇടവേളകളോടെ “ഞാൻ ഇതിനകം വാങ്ങിയത്” രീതി നടപ്പിലാക്കുകയാണെങ്കിൽ, അവരുടെ കാൻഡിഡേറ്റുകൾ പരസ്പരം കൂടുകൂട്ടും. അതേ സമയം, എക്സിറ്റിലെ "ആനുകാലിക വാങ്ങലുകളിൽ" വ്യത്യസ്ത പാരാമീറ്ററുകൾ പൂർണ്ണമായ കവല നൽകുന്നില്ല. അതിനാൽ, വ്യത്യസ്ത പാരാമീറ്ററുകളുള്ള സാംപ്ലിംഗ് സമീപനങ്ങളെ ഞങ്ങൾ ബ്ലോക്കുകളായി വിഭജിക്കുന്നു, അതായത് ഓരോ ബ്ലോക്കിൽ നിന്നും നിർദ്ദിഷ്ട ഹൈപ്പർപാരാമീറ്ററുകൾ ഉപയോഗിച്ച് പരമാവധി ഒരു എക്സ്ട്രാക്ഷൻ സമീപനം സ്വീകരിക്കാൻ ഞങ്ങൾ ആഗ്രഹിക്കുന്നു. ഇത് ചെയ്യുന്നതിന്, നാപ്സാക്ക് പ്രശ്നം നടപ്പിലാക്കുന്നതിൽ നിങ്ങൾ അൽപ്പം മിടുക്കനാകണം, പക്ഷേ അസിംപ്റ്റോട്ടിക്സും ഫലവും മാറില്ല.

ലളിതമായ സഹകരണ മോഡലുകളുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ ഇനിപ്പറയുന്ന മെട്രിക്‌സ് നേടാൻ ഈ സ്‌മാർട്ട് കോമ്പിനേഷൻ ഞങ്ങളെ അനുവദിക്കുന്നു:

അവസാന മെട്രിക്സിൽ നമ്മൾ ഇനിപ്പറയുന്ന ചിത്രം കാണുന്നു:

എന്നിരുന്നാലും, ബിസിനസ്സിന് ഉപയോഗപ്രദമായ ശുപാർശകൾക്കായി ഒരു അനാവൃതമായ പോയിന്റ് ഉണ്ടെന്ന് ഇവിടെ നിങ്ങൾക്ക് ശ്രദ്ധിക്കാനാകും. ഉപയോക്താവ് എന്ത് വാങ്ങുമെന്ന് പ്രവചിക്കുന്ന ഒരു മികച്ച ജോലി എങ്ങനെ ചെയ്യാമെന്ന് ഞങ്ങൾ ഇപ്പോൾ പഠിച്ചു, ഉദാഹരണത്തിന്, അടുത്ത ആഴ്ച. എന്നാൽ അവൻ ഇതിനകം വാങ്ങുന്ന ഒരു വസ്തുവിന് കിഴിവ് നൽകുന്നത് വളരെ രസകരമല്ല. എന്നാൽ പ്രതീക്ഷകൾ പരമാവധിയാക്കുന്നത് രസകരമാണ്, ഉദാഹരണത്തിന്, ഇനിപ്പറയുന്ന മെട്രിക്കുകൾ:

1. വ്യക്തിഗത ശുപാർശകളെ അടിസ്ഥാനമാക്കിയുള്ള മാർജിൻ/വിറ്റുവരവ്.
2. ശരാശരി ഉപഭോക്തൃ പരിശോധന.
3. സന്ദർശനങ്ങളുടെ ആവൃത്തി.

അതിനാൽ, ലഭിച്ച പ്രോബബിലിറ്റികളെ ഞങ്ങൾ വ്യത്യസ്ത ഗുണകങ്ങളാൽ ഗുണിക്കുകയും അവയെ വീണ്ടും റാങ്ക് ചെയ്യുകയും ചെയ്യുന്നു, അങ്ങനെ മുകളിലുള്ള മെട്രിക്‌സിനെ ബാധിക്കുന്ന ഉൽപ്പന്നങ്ങൾ മുകളിലെത്തുന്നു. ഏത് സമീപനമാണ് ഉപയോഗിക്കാൻ നല്ലത് എന്നതിന് റെഡിമെയ്ഡ് പരിഹാരമില്ല. ഉൽപ്പാദനത്തിൽ നേരിട്ട് അത്തരം ഗുണകങ്ങൾ ഞങ്ങൾ പരീക്ഷിക്കുന്നു. എന്നാൽ ഏറ്റവും മികച്ച ഫലങ്ങൾ നൽകുന്ന രസകരമായ സാങ്കേതിക വിദ്യകൾ ഇതാ:

1. ഉൽപ്പന്നത്തിന്റെ വില/മാർജിൻ കൊണ്ട് ഗുണിക്കുക.
2. ഉൽപ്പന്നം ദൃശ്യമാകുന്ന ശരാശരി രസീത് കൊണ്ട് ഗുണിക്കുക. അതിനാൽ സാധനങ്ങൾ വരും, അതോടൊപ്പം അവർ സാധാരണയായി മറ്റെന്തെങ്കിലും എടുക്കും.
3. ഈ ഉൽപ്പന്നം കൂടുതൽ തവണ മടങ്ങിവരാൻ ആളുകളെ പ്രേരിപ്പിക്കുന്നു എന്ന അനുമാനത്തെ അടിസ്ഥാനമാക്കി, ഈ ഉൽപ്പന്നം വാങ്ങുന്നവരുടെ സന്ദർശനങ്ങളുടെ ശരാശരി ആവൃത്തി കൊണ്ട് ഗുണിക്കുക.

ഗുണകങ്ങൾ ഉപയോഗിച്ച് പരീക്ഷണങ്ങൾ നടത്തിയ ശേഷം, ഉൽപ്പാദനത്തിൽ ഞങ്ങൾക്ക് ഇനിപ്പറയുന്ന അളവുകൾ ലഭിച്ചു:

ഇത് മൊത്തത്തിലുള്ള ഉൽപ്പന്നങ്ങളുടെ പരിവർത്തനം - ഞങ്ങൾ സൃഷ്ടിച്ച ശുപാർശകളിലെ എല്ലാ ഉൽപ്പന്നങ്ങളിൽ നിന്നും വാങ്ങിയ ഉൽപ്പന്നങ്ങളുടെ പങ്ക്.

ഓഫ്‌ലൈനും ഓൺലൈൻ മെട്രിക്കുകളും തമ്മിലുള്ള കാര്യമായ വ്യത്യാസം ശ്രദ്ധയുള്ള ഒരു വായനക്കാരൻ ശ്രദ്ധിക്കും. മോഡലിനെ പരിശീലിപ്പിക്കുമ്പോൾ ശുപാർശ ചെയ്യാവുന്ന ഉൽപ്പന്നങ്ങൾക്കായുള്ള എല്ലാ ഡൈനാമിക് ഫിൽട്ടറുകളും കണക്കിലെടുക്കാനാവില്ല എന്ന വസ്തുതയാണ് ഈ സ്വഭാവം വിശദീകരിക്കുന്നത്. ഞങ്ങളെ സംബന്ധിച്ചിടത്തോളം, വീണ്ടെടുക്കപ്പെട്ട സ്ഥാനാർത്ഥികളിൽ പകുതിയും ഫിൽട്ടർ ചെയ്യാൻ കഴിയുമ്പോൾ ഇത് ഒരു സാധാരണ കഥയാണ്; ഈ പ്രത്യേകത ഞങ്ങളുടെ വ്യവസായത്തിൽ സാധാരണമാണ്.

വരുമാനത്തിന്റെ കാര്യത്തിൽ, ഇനിപ്പറയുന്ന സ്റ്റോറി ലഭിച്ചു, ശുപാർശകൾ സമാരംഭിച്ചതിന് ശേഷം, ടെസ്റ്റ് ഗ്രൂപ്പിന്റെ വരുമാനം ശക്തമായി വളരുകയാണെന്ന് വ്യക്തമാണ്, ഇപ്പോൾ ഞങ്ങളുടെ ശുപാർശകൾക്കൊപ്പം വരുമാനത്തിലെ ശരാശരി വർദ്ധനവ് 3-4% ആണ്:

ഉപസംഹാരമായി, നിങ്ങൾക്ക് തത്സമയമല്ലാത്ത ശുപാർശകൾ ആവശ്യമുണ്ടെങ്കിൽ, ശുപാർശകൾക്കായി ഉദ്യോഗാർത്ഥികളെ വേർതിരിച്ചെടുക്കുന്നതിനുള്ള പരീക്ഷണങ്ങളിൽ ഗുണനിലവാരത്തിൽ വളരെ വലിയ വർദ്ധനവ് കണ്ടെത്താൻ കഴിയുമെന്ന് ഞാൻ പറയാൻ ആഗ്രഹിക്കുന്നു. അവരുടെ തലമുറയ്ക്ക് ഒരു വലിയ സമയം ധാരാളം നല്ല രീതികൾ സംയോജിപ്പിക്കുന്നത് സാധ്യമാക്കുന്നു, ഇത് മൊത്തത്തിൽ ബിസിനസ്സിന് മികച്ച ഫലങ്ങൾ നൽകും.

മെറ്റീരിയൽ താൽപ്പര്യമുണർത്തുന്ന ആരുമായും അഭിപ്രായങ്ങളിൽ ചാറ്റ് ചെയ്യുന്നതിൽ എനിക്ക് സന്തോഷമുണ്ട്. എന്നതിൽ നിങ്ങൾക്ക് വ്യക്തിപരമായി ചോദ്യങ്ങൾ ചോദിക്കാം ടെലഗ്രാം. AI/സ്റ്റാർട്ടപ്പുകളെ കുറിച്ചുള്ള എന്റെ ചിന്തകളും ഞാൻ പങ്കിടുന്നു ടെലിഗ്രാം ചാനൽ - സ്വാഗതം :)

അവലംബം: www.habr.com