ਸਾਰਿਆਂ ਨੂੰ ਸਤਿ ਸ਼੍ਰੀ ਅਕਾਲ! ਮੇਰਾ ਨਾਮ ਸਾਸ਼ਾ ਹੈ, ਮੈਂ LoyaltyLab ਵਿੱਚ CTO ਅਤੇ ਸਹਿ-ਸੰਸਥਾਪਕ ਹਾਂ। ਦੋ ਸਾਲ ਪਹਿਲਾਂ, ਮੈਂ ਅਤੇ ਮੇਰੇ ਦੋਸਤ, ਸਾਰੇ ਗ਼ਰੀਬ ਵਿਦਿਆਰਥੀਆਂ ਵਾਂਗ, ਸ਼ਾਮ ਨੂੰ ਸਾਡੇ ਘਰ ਦੇ ਨਜ਼ਦੀਕੀ ਸਟੋਰ 'ਤੇ ਬੀਅਰ ਖਰੀਦਣ ਗਏ। ਅਸੀਂ ਬਹੁਤ ਪਰੇਸ਼ਾਨ ਸੀ ਕਿ ਰਿਟੇਲਰ, ਇਹ ਜਾਣਦੇ ਹੋਏ ਕਿ ਅਸੀਂ ਬੀਅਰ ਲਈ ਆਵਾਂਗੇ, ਚਿਪਸ ਜਾਂ ਪਟਾਕਿਆਂ 'ਤੇ ਛੋਟ ਦੀ ਪੇਸ਼ਕਸ਼ ਨਹੀਂ ਕੀਤੀ, ਹਾਲਾਂਕਿ ਇਹ ਬਹੁਤ ਤਰਕਪੂਰਨ ਸੀ! ਸਾਨੂੰ ਸਮਝ ਨਹੀਂ ਆਈ ਕਿ ਇਹ ਸਥਿਤੀ ਕਿਉਂ ਹੋ ਰਹੀ ਹੈ ਅਤੇ ਅਸੀਂ ਆਪਣੀ ਕੰਪਨੀ ਸ਼ੁਰੂ ਕਰਨ ਦਾ ਫੈਸਲਾ ਕੀਤਾ। ਖੈਰ, ਇੱਕ ਬੋਨਸ ਦੇ ਤੌਰ 'ਤੇ, ਆਪਣੇ ਆਪ ਨੂੰ ਹਰ ਸ਼ੁੱਕਰਵਾਰ ਨੂੰ ਉਸੇ ਚਿਪਸ 'ਤੇ ਛੋਟ ਦਿਓ।

ਅਤੇ ਇਹ ਸਭ ਉਸ ਬਿੰਦੂ 'ਤੇ ਪਹੁੰਚ ਗਿਆ ਜਿੱਥੇ ਮੈਂ ਉਤਪਾਦ ਦੇ ਤਕਨੀਕੀ ਪੱਖ 'ਤੇ ਸਮੱਗਰੀ ਪੇਸ਼ ਕਰ ਰਿਹਾ ਹਾਂ NVIDIA GTC. ਅਸੀਂ ਆਪਣੇ ਕੰਮ ਨੂੰ ਕਮਿਊਨਿਟੀ ਨਾਲ ਸਾਂਝਾ ਕਰਕੇ ਖੁਸ਼ ਹਾਂ, ਇਸ ਲਈ ਮੈਂ ਆਪਣੀ ਰਿਪੋਰਟ ਨੂੰ ਇੱਕ ਲੇਖ ਦੇ ਰੂਪ ਵਿੱਚ ਪ੍ਰਕਾਸ਼ਿਤ ਕਰ ਰਿਹਾ ਹਾਂ।

ਜਾਣ ਪਛਾਣ

ਯਾਤਰਾ ਦੀ ਸ਼ੁਰੂਆਤ ਵਿੱਚ ਹਰ ਕਿਸੇ ਦੀ ਤਰ੍ਹਾਂ, ਅਸੀਂ ਇਸ ਗੱਲ ਦੀ ਸੰਖੇਪ ਜਾਣਕਾਰੀ ਨਾਲ ਸ਼ੁਰੂਆਤ ਕੀਤੀ ਸੀ ਕਿ ਸਿਫ਼ਾਰਿਸ਼ਕਰਤਾ ਸਿਸਟਮ ਕਿਵੇਂ ਬਣਾਏ ਜਾਂਦੇ ਹਨ। ਅਤੇ ਸਭ ਤੋਂ ਪ੍ਰਸਿੱਧ ਆਰਕੀਟੈਕਚਰ ਹੇਠ ਲਿਖੀ ਕਿਸਮ ਦਾ ਨਿਕਲਿਆ:

ਇਸ ਵਿੱਚ ਦੋ ਭਾਗ ਹਨ:

1. ਇੱਕ ਸਧਾਰਨ ਅਤੇ ਤੇਜ਼ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਸਿਫ਼ਾਰਸ਼ਾਂ ਲਈ ਉਮੀਦਵਾਰਾਂ ਦਾ ਨਮੂਨਾ ਲੈਣਾ, ਆਮ ਤੌਰ 'ਤੇ ਇੱਕ ਸਹਿਯੋਗੀ ਮਾਡਲ।
2. ਡੇਟਾ ਵਿੱਚ ਸਾਰੀਆਂ ਸੰਭਵ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦੇ ਹੋਏ, ਇੱਕ ਵਧੇਰੇ ਗੁੰਝਲਦਾਰ ਅਤੇ ਹੌਲੀ ਸਮੱਗਰੀ ਮਾਡਲ ਵਾਲੇ ਉਮੀਦਵਾਰਾਂ ਦੀ ਦਰਜਾਬੰਦੀ।

ਇਸ ਤੋਂ ਬਾਅਦ ਮੈਂ ਹੇਠ ਲਿਖੀਆਂ ਸ਼ਰਤਾਂ ਦੀ ਵਰਤੋਂ ਕਰਾਂਗਾ:

• ਸਿਫ਼ਾਰਸ਼ਾਂ ਲਈ ਉਮੀਦਵਾਰ/ਉਮੀਦਵਾਰ — ਇੱਕ ਉਪਭੋਗਤਾ-ਉਤਪਾਦ ਜੋੜਾ ਜੋ ਸੰਭਾਵੀ ਤੌਰ 'ਤੇ ਉਤਪਾਦਨ ਦੀਆਂ ਸਿਫਾਰਸ਼ਾਂ ਵਿੱਚ ਸ਼ਾਮਲ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।
• ਉਮੀਦਵਾਰ ਕੱਢਣ/ਐਕਸਟ੍ਰੈਕਟਰ/ਉਮੀਦਵਾਰ ਕੱਢਣ ਦਾ ਤਰੀਕਾ - ਉਪਲਬਧ ਡੇਟਾ ਤੋਂ "ਸਿਫਾਰਿਸ਼ ਉਮੀਦਵਾਰਾਂ" ਨੂੰ ਕੱਢਣ ਲਈ ਇੱਕ ਪ੍ਰਕਿਰਿਆ ਜਾਂ ਵਿਧੀ।

ਪਹਿਲੇ ਪੜਾਅ ਵਿੱਚ ਆਮ ਤੌਰ 'ਤੇ ਸਹਿਯੋਗੀ ਫਿਲਟਰਿੰਗ ਦੀਆਂ ਵੱਖ-ਵੱਖ ਭਿੰਨਤਾਵਾਂ ਦੀ ਵਰਤੋਂ ਸ਼ਾਮਲ ਹੁੰਦੀ ਹੈ। ਸਭ ਤੋਂ ਪ੍ਰਸਿੱਧ - ALS. ਇਹ ਹੈਰਾਨੀ ਦੀ ਗੱਲ ਹੈ ਕਿ ਸਿਫਾਰਿਸ਼ਕਰਤਾ ਪ੍ਰਣਾਲੀਆਂ ਬਾਰੇ ਜ਼ਿਆਦਾਤਰ ਲੇਖ ਪਹਿਲੇ ਪੜਾਅ 'ਤੇ ਸਹਿਯੋਗੀ ਮਾਡਲਾਂ ਦੇ ਵੱਖ-ਵੱਖ ਸੁਧਾਰਾਂ ਨੂੰ ਪ੍ਰਗਟ ਕਰਦੇ ਹਨ, ਪਰ ਕੋਈ ਵੀ ਹੋਰ ਨਮੂਨੇ ਦੇ ਤਰੀਕਿਆਂ ਬਾਰੇ ਜ਼ਿਆਦਾ ਗੱਲ ਨਹੀਂ ਕਰਦਾ ਹੈ। ਸਾਡੇ ਲਈ, ਸਿਰਫ਼ ਸਹਿਯੋਗੀ ਮਾਡਲਾਂ ਅਤੇ ਉਹਨਾਂ ਦੇ ਨਾਲ ਵੱਖ-ਵੱਖ ਅਨੁਕੂਲਤਾਵਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਪਹੁੰਚ ਉਸ ਗੁਣਵੱਤਾ ਦੇ ਨਾਲ ਕੰਮ ਨਹੀਂ ਕਰਦੀ ਜਿਸਦੀ ਅਸੀਂ ਉਮੀਦ ਕੀਤੀ ਸੀ, ਇਸਲਈ ਅਸੀਂ ਇਸ ਹਿੱਸੇ 'ਤੇ ਵਿਸ਼ੇਸ਼ ਤੌਰ 'ਤੇ ਖੋਜ ਕੀਤੀ। ਅਤੇ ਲੇਖ ਦੇ ਅੰਤ ਵਿੱਚ ਮੈਂ ਦਿਖਾਵਾਂਗਾ ਕਿ ਅਸੀਂ ALS ਵਿੱਚ ਕਿੰਨਾ ਸੁਧਾਰ ਕਰਨ ਦੇ ਯੋਗ ਸੀ, ਜੋ ਕਿ ਸਾਡੀ ਬੇਸਲਾਈਨ ਸੀ।

ਇਸ ਤੋਂ ਪਹਿਲਾਂ ਕਿ ਮੈਂ ਸਾਡੀ ਪਹੁੰਚ ਦਾ ਵਰਣਨ ਕਰਨ ਲਈ ਅੱਗੇ ਵਧਾਂ, ਇਹ ਨੋਟ ਕਰਨਾ ਮਹੱਤਵਪੂਰਨ ਹੈ ਕਿ ਰੀਅਲਟਾਈਮ ਸਿਫ਼ਾਰਿਸ਼ਾਂ ਵਿੱਚ, ਜਦੋਂ ਸਾਡੇ ਲਈ 30 ਮਿੰਟ ਪਹਿਲਾਂ ਆਏ ਡੇਟਾ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਣਾ ਮਹੱਤਵਪੂਰਨ ਹੁੰਦਾ ਹੈ, ਅਸਲ ਵਿੱਚ ਬਹੁਤ ਸਾਰੇ ਤਰੀਕੇ ਨਹੀਂ ਹਨ ਜੋ ਲੋੜੀਂਦੇ ਸਮੇਂ ਵਿੱਚ ਕੰਮ ਕਰ ਸਕਦੇ ਹਨ। ਪਰ, ਸਾਡੇ ਕੇਸ ਵਿੱਚ, ਸਾਨੂੰ ਦਿਨ ਵਿੱਚ ਇੱਕ ਤੋਂ ਵੱਧ ਵਾਰ ਸਿਫਾਰਸ਼ਾਂ ਇਕੱਠੀਆਂ ਕਰਨੀਆਂ ਪੈਂਦੀਆਂ ਹਨ, ਅਤੇ ਜ਼ਿਆਦਾਤਰ ਮਾਮਲਿਆਂ ਵਿੱਚ - ਹਫ਼ਤੇ ਵਿੱਚ ਇੱਕ ਵਾਰ, ਜੋ ਸਾਨੂੰ ਗੁੰਝਲਦਾਰ ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨ ਅਤੇ ਗੁਣਵੱਤਾ ਵਿੱਚ ਕਈ ਗੁਣਾ ਸੁਧਾਰ ਕਰਨ ਦਾ ਮੌਕਾ ਦਿੰਦਾ ਹੈ।

ਆਉ ਇੱਕ ਬੇਸਲਾਈਨ ਵਜੋਂ ਲੈਂਦੇ ਹਾਂ ਕਿ ਉਮੀਦਵਾਰਾਂ ਨੂੰ ਕੱਢਣ ਦੇ ਕੰਮ 'ਤੇ ਸਿਰਫ਼ ALS ਕੀ ਮੈਟ੍ਰਿਕਸ ਦਿਖਾਉਂਦਾ ਹੈ। ਮੁੱਖ ਮੈਟ੍ਰਿਕਸ ਜਿਨ੍ਹਾਂ ਦੀ ਅਸੀਂ ਨਿਗਰਾਨੀ ਕਰਦੇ ਹਾਂ:

• ਸ਼ੁੱਧਤਾ - ਨਮੂਨੇ ਵਾਲੇ ਉਮੀਦਵਾਰਾਂ ਵਿੱਚੋਂ ਸਹੀ ਢੰਗ ਨਾਲ ਚੁਣੇ ਗਏ ਉਮੀਦਵਾਰਾਂ ਦਾ ਅਨੁਪਾਤ।
• ਰੀਕਾਲ ਉਹਨਾਂ ਉਮੀਦਵਾਰਾਂ ਦਾ ਅਨੁਪਾਤ ਹੈ ਜੋ ਅਸਲ ਵਿੱਚ ਟੀਚੇ ਦੇ ਅੰਤਰਾਲ ਵਿੱਚ ਸਨ।
• F1-ਸਕੋਰ - ਪਿਛਲੇ ਦੋ ਬਿੰਦੂਆਂ 'ਤੇ ਗਿਣਿਆ ਗਿਆ F-ਮਾਪ।

ਅਸੀਂ ਅਤਿਰਿਕਤ ਸਮੱਗਰੀ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੇ ਨਾਲ ਗਰੇਡੀਐਂਟ ਬੂਸਟਿੰਗ ਦੀ ਸਿਖਲਾਈ ਤੋਂ ਬਾਅਦ ਫਾਈਨਲ ਮਾਡਲ ਦੇ ਮੈਟ੍ਰਿਕਸ ਨੂੰ ਵੀ ਦੇਖਾਂਗੇ। ਇੱਥੇ 3 ਮੁੱਖ ਮੈਟ੍ਰਿਕਸ ਵੀ ਹਨ:

• precision@5 - ਹਰੇਕ ਖਰੀਦਦਾਰ ਲਈ ਸੰਭਾਵਨਾ ਦੇ ਮਾਮਲੇ ਵਿੱਚ ਚੋਟੀ ਦੇ 5 ਤੋਂ ਉਤਪਾਦਾਂ ਦੀ ਔਸਤ ਪ੍ਰਤੀਸ਼ਤਤਾ।
• response-rate@5 - ਸਟੋਰ ਦੀ ਫੇਰੀ ਤੋਂ ਘੱਟੋ-ਘੱਟ ਇੱਕ ਨਿੱਜੀ ਪੇਸ਼ਕਸ਼ (ਇੱਕ ਪੇਸ਼ਕਸ਼ ਵਿੱਚ 5 ਉਤਪਾਦ) ਦੀ ਖਰੀਦ ਤੱਕ ਗਾਹਕਾਂ ਦਾ ਰੂਪਾਂਤਰਨ।
• ਔਸਤ roc-auc ਪ੍ਰਤੀ ਉਪਭੋਗਤਾ - ਔਸਤ roc-auc ਹਰੇਕ ਖਰੀਦਦਾਰ ਲਈ.

ਇਹ ਨੋਟ ਕਰਨਾ ਮਹੱਤਵਪੂਰਨ ਹੈ ਕਿ ਇਹ ਸਾਰੇ ਮੈਟ੍ਰਿਕਸ 'ਤੇ ਮਾਪਦੇ ਹਨ ਸਮਾਂ-ਸੀਰੀਜ਼ ਅੰਤਰ-ਪ੍ਰਮਾਣਿਕਤਾ, ਯਾਨੀ, ਸਿਖਲਾਈ ਪਹਿਲੇ k ਹਫ਼ਤਿਆਂ ਵਿੱਚ ਹੁੰਦੀ ਹੈ, ਅਤੇ k+1 ਹਫ਼ਤੇ ਨੂੰ ਟੈਸਟ ਡੇਟਾ ਵਜੋਂ ਲਿਆ ਜਾਂਦਾ ਹੈ। ਇਸ ਤਰ੍ਹਾਂ, ਮੌਸਮੀ ਉਤਰਾਅ-ਚੜ੍ਹਾਅ ਦਾ ਮਾਡਲਾਂ ਦੀ ਗੁਣਵੱਤਾ ਦੀ ਵਿਆਖਿਆ 'ਤੇ ਘੱਟ ਤੋਂ ਘੱਟ ਪ੍ਰਭਾਵ ਪਿਆ। ਅੱਗੇ ਸਾਰੇ ਗ੍ਰਾਫਾਂ 'ਤੇ, ਅਬਸੀਸਾ ਧੁਰਾ ਕ੍ਰਾਸ-ਵੈਧੀਕਰਨ ਵਿੱਚ ਹਫ਼ਤੇ ਦੀ ਸੰਖਿਆ ਨੂੰ ਦਰਸਾਏਗਾ, ਅਤੇ ਆਰਡੀਨੇਟ ਧੁਰਾ ਨਿਰਧਾਰਤ ਮੈਟ੍ਰਿਕ ਦੇ ਮੁੱਲ ਨੂੰ ਦਰਸਾਏਗਾ। ਸਾਰੇ ਗ੍ਰਾਫ ਇੱਕ ਕਲਾਇੰਟ ਤੋਂ ਲੈਣ-ਦੇਣ ਡੇਟਾ 'ਤੇ ਅਧਾਰਤ ਹਨ ਤਾਂ ਜੋ ਇੱਕ ਦੂਜੇ ਵਿਚਕਾਰ ਤੁਲਨਾ ਸਹੀ ਹੋਵੇ।

ਇਸ ਤੋਂ ਪਹਿਲਾਂ ਕਿ ਅਸੀਂ ਆਪਣੀ ਪਹੁੰਚ ਦਾ ਵਰਣਨ ਕਰਨਾ ਸ਼ੁਰੂ ਕਰੀਏ, ਅਸੀਂ ਪਹਿਲਾਂ ਬੇਸਲਾਈਨ ਨੂੰ ਦੇਖਦੇ ਹਾਂ, ਜੋ ਕਿ ਇੱਕ ALS-ਸਿਖਿਅਤ ਮਾਡਲ ਹੈ।
ਉਮੀਦਵਾਰ ਦੀ ਪ੍ਰਾਪਤੀ ਮੈਟ੍ਰਿਕਸ:

ਅੰਤਮ ਮੈਟ੍ਰਿਕਸ:

ਮੈਂ ਐਲਗੋਰਿਦਮ ਦੇ ਸਾਰੇ ਲਾਗੂਕਰਨਾਂ ਨੂੰ ਕਿਸੇ ਕਿਸਮ ਦੀ ਕਾਰੋਬਾਰੀ ਪਰਿਕਲਪਨਾ ਵਜੋਂ ਮੰਨਦਾ ਹਾਂ। ਇਸ ਤਰ੍ਹਾਂ, ਬਹੁਤ ਹੀ ਮੋਟੇ ਤੌਰ 'ਤੇ, ਕਿਸੇ ਵੀ ਸਹਿਯੋਗੀ ਮਾਡਲ ਨੂੰ ਇੱਕ ਪਰਿਕਲਪਨਾ ਵਜੋਂ ਮੰਨਿਆ ਜਾ ਸਕਦਾ ਹੈ ਕਿ "ਲੋਕ ਉਹੀ ਖਰੀਦਦੇ ਹਨ ਜੋ ਉਹਨਾਂ ਦੇ ਸਮਾਨ ਲੋਕ ਖਰੀਦਦੇ ਹਨ।" ਜਿਵੇਂ ਕਿ ਮੈਂ ਪਹਿਲਾਂ ਹੀ ਕਿਹਾ ਹੈ, ਅਸੀਂ ਆਪਣੇ ਆਪ ਨੂੰ ਅਜਿਹੇ ਅਰਥ ਵਿਗਿਆਨ ਤੱਕ ਸੀਮਤ ਨਹੀਂ ਕੀਤਾ, ਅਤੇ ਇੱਥੇ ਕੁਝ ਅਨੁਮਾਨ ਹਨ ਜੋ ਔਫਲਾਈਨ ਰਿਟੇਲ ਵਿੱਚ ਡੇਟਾ 'ਤੇ ਵਧੀਆ ਕੰਮ ਕਰਦੇ ਹਨ:

1. ਜੋ ਮੈਂ ਪਹਿਲਾਂ ਹੀ ਖਰੀਦਿਆ ਹੈ।
2. ਸਮਾਨ ਜੋ ਮੈਂ ਪਹਿਲਾਂ ਖਰੀਦਿਆ ਸੀ।
3. ਪੁਰਾਣੀ ਖਰੀਦਦਾਰੀ ਦੀ ਮਿਆਦ।
4. ਸ਼੍ਰੇਣੀ/ਬ੍ਰਾਂਡ ਦੁਆਰਾ ਪ੍ਰਸਿੱਧ।
5. ਹਫ਼ਤੇ ਤੋਂ ਹਫ਼ਤੇ ਤੱਕ ਵੱਖੋ-ਵੱਖਰੀਆਂ ਚੀਜ਼ਾਂ ਦੀ ਵਿਕਲਪਕ ਖਰੀਦਦਾਰੀ (ਮਾਰਕੋਵ ਚੇਨ)।
6. ਖਰੀਦਦਾਰਾਂ ਲਈ ਸਮਾਨ ਉਤਪਾਦ, ਵੱਖ-ਵੱਖ ਮਾਡਲਾਂ (Word2Vec, DSSM, ਆਦਿ) ਦੁਆਰਾ ਬਣਾਈਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੇ ਅਨੁਸਾਰ।

ਤੁਸੀਂ ਪਹਿਲਾਂ ਕੀ ਖਰੀਦਿਆ ਸੀ?

ਸਭ ਤੋਂ ਸਪੱਸ਼ਟ ਹੇਰਿਸਟਿਕ ਜੋ ਕਿ ਕਰਿਆਨੇ ਦੇ ਪ੍ਰਚੂਨ ਵਿੱਚ ਬਹੁਤ ਵਧੀਆ ਕੰਮ ਕਰਦਾ ਹੈ। ਇੱਥੇ ਅਸੀਂ ਉਹ ਸਾਰੀਆਂ ਚੀਜ਼ਾਂ ਲੈਂਦੇ ਹਾਂ ਜੋ ਲੌਏਲਟੀ ਕਾਰਡ ਧਾਰਕ ਨੇ ਪਿਛਲੇ K ਦਿਨਾਂ (ਆਮ ਤੌਰ 'ਤੇ 1-3 ਹਫ਼ਤੇ), ਜਾਂ ਇੱਕ ਸਾਲ ਪਹਿਲਾਂ K ਦਿਨਾਂ ਵਿੱਚ ਖਰੀਦੀਆਂ ਸਨ। ਸਿਰਫ਼ ਇਸ ਵਿਧੀ ਨੂੰ ਲਾਗੂ ਕਰਦੇ ਹੋਏ, ਅਸੀਂ ਹੇਠਾਂ ਦਿੱਤੇ ਮੈਟ੍ਰਿਕਸ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਾਂ:

ਇੱਥੇ ਇਹ ਬਿਲਕੁਲ ਸਪੱਸ਼ਟ ਹੈ ਕਿ ਜਿੰਨਾ ਜ਼ਿਆਦਾ ਅਸੀਂ ਪੀਰੀਅਡ ਨੂੰ ਲੈਂਦੇ ਹਾਂ, ਸਾਡੇ ਕੋਲ ਓਨਾ ਜ਼ਿਆਦਾ ਯਾਦ ਹੁੰਦਾ ਹੈ ਅਤੇ ਸਾਡੇ ਕੋਲ ਘੱਟ ਸ਼ੁੱਧਤਾ ਹੁੰਦੀ ਹੈ ਅਤੇ ਇਸਦੇ ਉਲਟ। ਔਸਤਨ, "ਪਿਛਲੇ 2 ਹਫ਼ਤੇ" ਗਾਹਕਾਂ ਲਈ ਬਿਹਤਰ ਨਤੀਜੇ ਦਿੰਦੇ ਹਨ।

ਸਮਾਨ ਜੋ ਮੈਂ ਪਹਿਲਾਂ ਖਰੀਦਿਆ ਸੀ

ਇਹ ਕੋਈ ਹੈਰਾਨੀ ਵਾਲੀ ਗੱਲ ਨਹੀਂ ਹੈ ਕਿ ਕਰਿਆਨੇ ਦੇ ਪ੍ਰਚੂਨ ਲਈ "ਜੋ ਮੈਂ ਪਹਿਲਾਂ ਖਰੀਦਿਆ ਸੀ" ਵਧੀਆ ਕੰਮ ਕਰਦਾ ਹੈ, ਪਰ ਉਪਭੋਗਤਾ ਦੁਆਰਾ ਪਹਿਲਾਂ ਹੀ ਖਰੀਦੀਆਂ ਗਈਆਂ ਚੀਜ਼ਾਂ ਤੋਂ ਉਮੀਦਵਾਰਾਂ ਨੂੰ ਕੱਢਣਾ ਬਹੁਤ ਵਧੀਆ ਨਹੀਂ ਹੈ, ਕਿਉਂਕਿ ਇਹ ਕਿਸੇ ਨਵੇਂ ਉਤਪਾਦ ਨਾਲ ਖਰੀਦਦਾਰ ਨੂੰ ਹੈਰਾਨ ਕਰਨ ਦੀ ਸੰਭਾਵਨਾ ਨਹੀਂ ਹੈ. ਇਸ ਲਈ, ਅਸੀਂ ਉਸੇ ਸਹਿਯੋਗੀ ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਇਸ ਖੋਜ ਨੂੰ ਥੋੜ੍ਹਾ ਜਿਹਾ ਸੁਧਾਰਣ ਦਾ ਪ੍ਰਸਤਾਵ ਕਰਦੇ ਹਾਂ। ALS ਸਿਖਲਾਈ ਦੌਰਾਨ ਪ੍ਰਾਪਤ ਕੀਤੇ ਵੈਕਟਰਾਂ ਤੋਂ, ਅਸੀਂ ਉਪਭੋਗਤਾ ਦੁਆਰਾ ਪਹਿਲਾਂ ਹੀ ਖਰੀਦੇ ਗਏ ਉਤਪਾਦਾਂ ਦੇ ਸਮਾਨ ਉਤਪਾਦ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹਾਂ। ਇਹ ਵਿਚਾਰ ਵੀਡੀਓ ਸਮਗਰੀ ਨੂੰ ਦੇਖਣ ਲਈ ਸੇਵਾਵਾਂ ਵਿੱਚ "ਮਿਲਦੇ-ਜੁਲਦੇ ਵੀਡੀਓ" ਦੇ ਸਮਾਨ ਹੈ, ਪਰ ਕਿਉਂਕਿ ਅਸੀਂ ਨਹੀਂ ਜਾਣਦੇ ਕਿ ਉਪਭੋਗਤਾ ਕਿਸੇ ਖਾਸ ਪਲ 'ਤੇ ਕੀ ਖਾ ਰਿਹਾ/ਖਰੀਦ ਰਿਹਾ ਹੈ, ਅਸੀਂ ਸਿਰਫ ਉਸ ਸਮਾਨ ਦੀ ਹੀ ਖੋਜ ਕਰ ਸਕਦੇ ਹਾਂ ਜੋ ਉਸਨੇ ਪਹਿਲਾਂ ਹੀ ਖਰੀਦਿਆ ਹੈ, ਖਾਸ ਕਰਕੇ ਕਿਉਂਕਿ ਅਸੀਂ ਪਹਿਲਾਂ ਹੀ ਜਾਣਦੇ ਹਾਂ ਕਿ ਇਹ ਕਿੰਨੀ ਚੰਗੀ ਤਰ੍ਹਾਂ ਕੰਮ ਕਰਦਾ ਹੈ। ਪਿਛਲੇ 2 ਹਫ਼ਤਿਆਂ ਵਿੱਚ ਉਪਭੋਗਤਾ ਲੈਣ-ਦੇਣ 'ਤੇ ਇਸ ਵਿਧੀ ਨੂੰ ਲਾਗੂ ਕਰਨ ਨਾਲ, ਅਸੀਂ ਹੇਠਾਂ ਦਿੱਤੇ ਮੈਟ੍ਰਿਕਸ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਾਂ:

ਇਹ ਇਸ ਲਈ ਹੈ k — ਪਿਛਲੇ 14 ਦਿਨਾਂ ਵਿੱਚ ਖਰੀਦਦਾਰ ਦੁਆਰਾ ਖਰੀਦੇ ਗਏ ਹਰੇਕ ਉਤਪਾਦ ਲਈ ਮੁੜ ਪ੍ਰਾਪਤ ਕੀਤੇ ਸਮਾਨ ਉਤਪਾਦਾਂ ਦੀ ਸੰਖਿਆ।
ਇਸ ਪਹੁੰਚ ਨੇ ਸਾਡੇ ਕਲਾਇੰਟ ਲਈ ਖਾਸ ਤੌਰ 'ਤੇ ਵਧੀਆ ਕੰਮ ਕੀਤਾ, ਜਿਸ ਲਈ ਇਹ ਮਹੱਤਵਪੂਰਨ ਸੀ ਕਿ ਕਿਸੇ ਵੀ ਚੀਜ਼ ਦੀ ਸਿਫ਼ਾਰਸ਼ ਨਾ ਕੀਤੀ ਜਾਵੇ ਜੋ ਉਪਭੋਗਤਾ ਦੇ ਖਰੀਦ ਇਤਿਹਾਸ ਵਿੱਚ ਪਹਿਲਾਂ ਹੀ ਸੀ।

ਦੇਰ ਨਾਲ ਖਰੀਦ ਦੀ ਮਿਆਦ

ਜਿਵੇਂ ਕਿ ਅਸੀਂ ਪਹਿਲਾਂ ਹੀ ਪਤਾ ਲਗਾ ਲਿਆ ਹੈ, ਸਾਮਾਨ ਖਰੀਦਣ ਦੀ ਉੱਚ ਬਾਰੰਬਾਰਤਾ ਦੇ ਕਾਰਨ, ਪਹਿਲੀ ਪਹੁੰਚ ਸਾਡੀਆਂ ਖਾਸ ਜ਼ਰੂਰਤਾਂ ਲਈ ਵਧੀਆ ਕੰਮ ਕਰਦੀ ਹੈ। ਪਰ ਵਾਸ਼ਿੰਗ ਪਾਊਡਰ/ਸ਼ੈਂਪੂ/ਆਦਿ ਚੀਜ਼ਾਂ ਬਾਰੇ ਕੀ? ਭਾਵ, ਉਹਨਾਂ ਉਤਪਾਦਾਂ ਦੇ ਨਾਲ ਜਿਨ੍ਹਾਂ ਦੀ ਹਰ ਹਫ਼ਤੇ ਜਾਂ ਦੋ ਹਫ਼ਤੇ ਲੋੜ ਪੈਣ ਦੀ ਸੰਭਾਵਨਾ ਨਹੀਂ ਹੈ ਅਤੇ ਉਹ ਪਿਛਲੇ ਤਰੀਕਿਆਂ ਨੂੰ ਐਕਸਟਰੈਕਟ ਨਹੀਂ ਕਰ ਸਕਦੇ ਹਨ। ਇਹ ਹੇਠਾਂ ਦਿੱਤੇ ਵਿਚਾਰ ਵੱਲ ਲੈ ਜਾਂਦਾ ਹੈ - ਉਹਨਾਂ ਗਾਹਕਾਂ ਲਈ ਔਸਤਨ ਹਰੇਕ ਉਤਪਾਦ ਦੀ ਖਰੀਦ ਦੀ ਮਿਆਦ ਦੀ ਗਣਨਾ ਕਰਨ ਦਾ ਪ੍ਰਸਤਾਵ ਹੈ ਜਿਨ੍ਹਾਂ ਨੇ ਉਤਪਾਦ ਨੂੰ ਵਧੇਰੇ ਖਰੀਦਿਆ ਹੈ k ਇੱਕ ਵਾਰ ਅਤੇ ਫਿਰ ਉਹ ਚੀਜ਼ ਕੱਢੋ ਜੋ ਖਰੀਦਦਾਰ ਕੋਲ ਪਹਿਲਾਂ ਹੀ ਖਤਮ ਹੋ ਚੁੱਕੀ ਹੈ। ਵਸਤੂਆਂ ਲਈ ਗਣਨਾ ਕੀਤੀ ਗਈ ਮਿਆਦ ਦੀ ਪੂਰਤੀ ਲਈ ਤੁਹਾਡੀਆਂ ਅੱਖਾਂ ਨਾਲ ਜਾਂਚ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ:

ਅਤੇ ਫਿਰ ਅਸੀਂ ਦੇਖਾਂਗੇ ਕਿ ਕੀ ਉਤਪਾਦ ਦੀ ਮਿਆਦ ਦਾ ਅੰਤ ਸਮੇਂ ਦੇ ਅੰਤਰਾਲ ਦੇ ਅੰਦਰ ਆਉਂਦਾ ਹੈ ਜਦੋਂ ਸਿਫ਼ਾਰਿਸ਼ਾਂ ਉਤਪਾਦਨ ਵਿੱਚ ਹੋਣਗੀਆਂ ਅਤੇ ਨਮੂਨਾ ਕੀ ਹੁੰਦਾ ਹੈ. ਪਹੁੰਚ ਨੂੰ ਇਸ ਤਰ੍ਹਾਂ ਦਰਸਾਇਆ ਜਾ ਸਕਦਾ ਹੈ:

ਇੱਥੇ ਸਾਡੇ ਕੋਲ 2 ਮੁੱਖ ਕੇਸ ਹਨ ਜਿਨ੍ਹਾਂ ਨੂੰ ਵਿਚਾਰਿਆ ਜਾ ਸਕਦਾ ਹੈ:

1. ਕੀ ਉਨ੍ਹਾਂ ਗਾਹਕਾਂ ਤੋਂ ਉਤਪਾਦਾਂ ਦਾ ਨਮੂਨਾ ਲੈਣਾ ਜ਼ਰੂਰੀ ਹੈ ਜਿਨ੍ਹਾਂ ਨੇ K ਵਾਰ ਤੋਂ ਘੱਟ ਉਤਪਾਦ ਖਰੀਦਿਆ ਹੈ।
2. ਕੀ ਕਿਸੇ ਉਤਪਾਦ ਦਾ ਨਮੂਨਾ ਲੈਣਾ ਜ਼ਰੂਰੀ ਹੈ ਜੇਕਰ ਇਸਦੀ ਮਿਆਦ ਦਾ ਅੰਤ ਟੀਚਾ ਅੰਤਰਾਲ ਦੀ ਸ਼ੁਰੂਆਤ ਤੋਂ ਪਹਿਲਾਂ ਆਉਂਦਾ ਹੈ।

ਹੇਠਾਂ ਦਿੱਤਾ ਗ੍ਰਾਫ ਦਿਖਾਉਂਦਾ ਹੈ ਕਿ ਇਹ ਵਿਧੀ ਵੱਖ-ਵੱਖ ਹਾਈਪਰਪੈਰਾਮੀਟਰਾਂ ਨਾਲ ਕਿਹੜੇ ਨਤੀਜੇ ਪ੍ਰਾਪਤ ਕਰਦੀ ਹੈ:

ft — ਸਿਰਫ਼ ਉਨ੍ਹਾਂ ਗਾਹਕਾਂ ਨੂੰ ਲਓ ਜਿਨ੍ਹਾਂ ਨੇ ਘੱਟੋ-ਘੱਟ K (ਇੱਥੇ K=5) ਵਾਰ ਉਤਪਾਦ ਖਰੀਦਿਆ ਹੈ
tm - ਸਿਰਫ਼ ਉਨ੍ਹਾਂ ਉਮੀਦਵਾਰਾਂ ਨੂੰ ਲਓ ਜੋ ਟੀਚੇ ਦੇ ਅੰਤਰਾਲ ਦੇ ਅੰਦਰ ਆਉਂਦੇ ਹਨ

ਇਹ ਕੋਈ ਹੈਰਾਨੀ ਦੀ ਗੱਲ ਨਹੀਂ ਹੈ ਕਿ ਉਹ ਸਮਰੱਥ ਹੈ (0, 0) ਸਭ ਤੋਂ ਵੱਡਾ ਯਾਦ ਕਰੋ ਅਤੇ ਸਭ ਤੋਂ ਛੋਟਾ ਸ਼ੁੱਧਤਾ, ਕਿਉਂਕਿ ਇਸ ਸ਼ਰਤ ਦੇ ਤਹਿਤ ਜ਼ਿਆਦਾਤਰ ਉਮੀਦਵਾਰ ਮੁੜ ਪ੍ਰਾਪਤ ਕੀਤੇ ਜਾਂਦੇ ਹਨ। ਹਾਲਾਂਕਿ, ਸਭ ਤੋਂ ਵਧੀਆ ਨਤੀਜੇ ਉਦੋਂ ਪ੍ਰਾਪਤ ਹੁੰਦੇ ਹਨ ਜਦੋਂ ਅਸੀਂ ਉਹਨਾਂ ਗਾਹਕਾਂ ਲਈ ਉਤਪਾਦਾਂ ਦਾ ਨਮੂਨਾ ਨਹੀਂ ਲੈਂਦੇ ਜਿਨ੍ਹਾਂ ਨੇ ਇੱਕ ਖਾਸ ਉਤਪਾਦ ਇਸ ਤੋਂ ਘੱਟ ਖਰੀਦਿਆ ਹੈ k ਸਮਾਂ ਅਤੇ ਐਬਸਟਰੈਕਟ, ਮਾਲ ਸਮੇਤ, ਜਿਸ ਦੀ ਮਿਆਦ ਦਾ ਅੰਤ ਟੀਚਾ ਅੰਤਰਾਲ ਤੋਂ ਪਹਿਲਾਂ ਆਉਂਦਾ ਹੈ।

ਸ਼੍ਰੇਣੀ ਅਨੁਸਾਰ ਪ੍ਰਸਿੱਧ

ਇੱਕ ਹੋਰ ਸਪੱਸ਼ਟ ਵਿਚਾਰ ਵੱਖ-ਵੱਖ ਸ਼੍ਰੇਣੀਆਂ ਜਾਂ ਬ੍ਰਾਂਡਾਂ ਵਿੱਚ ਪ੍ਰਸਿੱਧ ਉਤਪਾਦਾਂ ਦਾ ਨਮੂਨਾ ਲੈਣਾ ਹੈ। ਇੱਥੇ ਅਸੀਂ ਹਰੇਕ ਖਰੀਦਦਾਰ ਲਈ ਗਣਨਾ ਕਰਦੇ ਹਾਂ ਸਿਖਰ-ਕੇ "ਮਨਪਸੰਦ" ਸ਼੍ਰੇਣੀਆਂ/ਬ੍ਰਾਂਡਾਂ ਅਤੇ ਇਸ ਸ਼੍ਰੇਣੀ/ਬ੍ਰਾਂਡ ਤੋਂ "ਪ੍ਰਸਿੱਧ" ਕੱਢੋ। ਸਾਡੇ ਕੇਸ ਵਿੱਚ, ਅਸੀਂ ਉਤਪਾਦ ਦੀਆਂ ਖਰੀਦਾਂ ਦੀ ਗਿਣਤੀ ਦੁਆਰਾ "ਮਨਪਸੰਦ" ਅਤੇ "ਪ੍ਰਸਿੱਧ" ਨਿਰਧਾਰਤ ਕਰਾਂਗੇ। ਇਸ ਪਹੁੰਚ ਦਾ ਇੱਕ ਵਾਧੂ ਫਾਇਦਾ ਕੋਲਡ ਸਟਾਰਟ ਕੇਸ ਵਿੱਚ ਇਸਦੀ ਪ੍ਰਯੋਗਤਾ ਹੈ। ਭਾਵ, ਉਨ੍ਹਾਂ ਗਾਹਕਾਂ ਲਈ ਜਿਨ੍ਹਾਂ ਨੇ ਜਾਂ ਤਾਂ ਬਹੁਤ ਘੱਟ ਖਰੀਦਦਾਰੀ ਕੀਤੀ ਹੈ, ਜਾਂ ਲੰਬੇ ਸਮੇਂ ਤੋਂ ਸਟੋਰ 'ਤੇ ਨਹੀਂ ਆਏ ਹਨ, ਜਾਂ ਹੁਣੇ ਹੀ ਇੱਕ ਵਫਾਦਾਰੀ ਕਾਰਡ ਜਾਰੀ ਕੀਤਾ ਹੈ। ਉਹਨਾਂ ਲਈ, ਉਹਨਾਂ ਚੀਜ਼ਾਂ ਨੂੰ ਸਟਾਕ ਕਰਨਾ ਆਸਾਨ ਅਤੇ ਬਿਹਤਰ ਹੈ ਜੋ ਗਾਹਕਾਂ ਵਿੱਚ ਪ੍ਰਸਿੱਧ ਹਨ ਅਤੇ ਉਹਨਾਂ ਦਾ ਇਤਿਹਾਸ ਹੈ। ਨਤੀਜੇ ਮੈਟ੍ਰਿਕਸ ਹਨ:

ਇੱਥੇ "ਸ਼੍ਰੇਣੀ" ਸ਼ਬਦ ਤੋਂ ਬਾਅਦ ਦੀ ਸੰਖਿਆ ਦਾ ਮਤਲਬ ਸ਼੍ਰੇਣੀ ਦੇ ਆਲ੍ਹਣੇ ਦਾ ਪੱਧਰ ਹੈ।

ਕੁੱਲ ਮਿਲਾ ਕੇ, ਇਹ ਵੀ ਹੈਰਾਨੀ ਦੀ ਗੱਲ ਨਹੀਂ ਹੈ ਕਿ ਤੰਗ ਸ਼੍ਰੇਣੀਆਂ ਬਿਹਤਰ ਨਤੀਜੇ ਪ੍ਰਾਪਤ ਕਰਦੀਆਂ ਹਨ, ਕਿਉਂਕਿ ਉਹ ਖਰੀਦਦਾਰਾਂ ਲਈ ਵਧੇਰੇ ਸਹੀ "ਮਨਪਸੰਦ" ਉਤਪਾਦ ਕੱਢਦੀਆਂ ਹਨ।

ਹਫ਼ਤਾ-ਹਫ਼ਤਾ ਵੱਖ-ਵੱਖ ਵਸਤਾਂ ਦੀ ਬਦਲਵੀਂ ਖਰੀਦਦਾਰੀ

ਇੱਕ ਦਿਲਚਸਪ ਪਹੁੰਚ ਜੋ ਮੈਂ ਸਿਫ਼ਾਰਿਸ਼ਕਰਤਾ ਪ੍ਰਣਾਲੀਆਂ ਬਾਰੇ ਲੇਖਾਂ ਵਿੱਚ ਨਹੀਂ ਵੇਖੀ ਹੈ, ਇੱਕ ਕਾਫ਼ੀ ਸਧਾਰਨ ਅਤੇ ਉਸੇ ਸਮੇਂ ਮਾਰਕੋਵ ਚੇਨਾਂ ਦਾ ਕੰਮ ਕਰਨ ਵਾਲੀ ਅੰਕੜਾ ਵਿਧੀ ਹੈ. ਇੱਥੇ ਅਸੀਂ 2 ਵੱਖ-ਵੱਖ ਹਫ਼ਤੇ ਲੈਂਦੇ ਹਾਂ, ਫਿਰ ਹਰੇਕ ਗਾਹਕ ਲਈ ਅਸੀਂ ਉਤਪਾਦਾਂ ਦੇ ਜੋੜੇ ਬਣਾਉਂਦੇ ਹਾਂ [ਹਫ਼ਤੇ i ਵਿੱਚ ਖਰੀਦਿਆ] -[ਹਫ਼ਤੇ j ਵਿੱਚ ਖਰੀਦਿਆ], ਜਿੱਥੇ j > i, ਅਤੇ ਇੱਥੋਂ ਅਸੀਂ ਹਰੇਕ ਉਤਪਾਦ ਲਈ ਅਗਲੇ ਹਫ਼ਤੇ ਕਿਸੇ ਹੋਰ ਉਤਪਾਦ 'ਤੇ ਜਾਣ ਦੀ ਸੰਭਾਵਨਾ ਦੀ ਗਣਨਾ ਕਰਦੇ ਹਾਂ। ਯਾਨੀ ਮਾਲ ਦੇ ਹਰੇਕ ਜੋੜੇ ਲਈ ਉਤਪਾਦਕ-ਉਤਪਾਦ ਅਸੀਂ ਉਹਨਾਂ ਦੀ ਸੰਖਿਆ ਨੂੰ ਮਿਲੇ ਜੋੜਿਆਂ ਵਿੱਚ ਗਿਣਦੇ ਹਾਂ ਅਤੇ ਜੋੜਿਆਂ ਦੀ ਸੰਖਿਆ ਨਾਲ ਵੰਡਦੇ ਹਾਂ, ਜਿੱਥੇ ਉਤਪਾਦ ਪਹਿਲੇ ਹਫ਼ਤੇ ਵਿੱਚ ਸੀ. ਉਮੀਦਵਾਰਾਂ ਨੂੰ ਕੱਢਣ ਲਈ, ਅਸੀਂ ਖਰੀਦਦਾਰ ਦੀ ਆਖਰੀ ਰਸੀਦ ਅਤੇ ਐਬਸਟਰੈਕਟ ਲੈਂਦੇ ਹਾਂ ਸਿਖਰ-ਕੇ ਸਾਨੂੰ ਪ੍ਰਾਪਤ ਹੋਏ ਪਰਿਵਰਤਨ ਮੈਟਰਿਕਸ ਤੋਂ ਸਭ ਤੋਂ ਵੱਧ ਸੰਭਾਵਤ ਅਗਲੇ ਉਤਪਾਦ। ਇੱਕ ਪਰਿਵਰਤਨ ਮੈਟ੍ਰਿਕਸ ਬਣਾਉਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਇਸ ਤਰ੍ਹਾਂ ਦਿਖਾਈ ਦਿੰਦੀ ਹੈ:

ਪਰਿਵਰਤਨ ਸੰਭਾਵਨਾ ਮੈਟ੍ਰਿਕਸ ਵਿੱਚ ਅਸਲ ਉਦਾਹਰਣਾਂ ਤੋਂ ਅਸੀਂ ਹੇਠਾਂ ਦਿੱਤੇ ਦਿਲਚਸਪ ਵਰਤਾਰੇ ਦੇਖਦੇ ਹਾਂ:

ਇੱਥੇ ਤੁਸੀਂ ਦਿਲਚਸਪ ਨਿਰਭਰਤਾ ਦੇਖ ਸਕਦੇ ਹੋ ਜੋ ਖਪਤਕਾਰਾਂ ਦੇ ਵਿਵਹਾਰ ਵਿੱਚ ਪ੍ਰਗਟ ਹੁੰਦੇ ਹਨ: ਉਦਾਹਰਨ ਲਈ, ਨਿੰਬੂ ਫਲਾਂ ਦੇ ਪ੍ਰੇਮੀ ਜਾਂ ਦੁੱਧ ਦਾ ਇੱਕ ਬ੍ਰਾਂਡ ਜਿਸ ਤੋਂ ਉਹਨਾਂ ਦੇ ਦੂਜੇ ਵਿੱਚ ਜਾਣ ਦੀ ਸੰਭਾਵਨਾ ਹੈ. ਇਹ ਵੀ ਹੈਰਾਨੀ ਦੀ ਗੱਲ ਨਹੀਂ ਹੈ ਕਿ ਦੁਹਰਾਉਣ ਵਾਲੀ ਖਰੀਦਦਾਰੀ ਦੀ ਉੱਚ ਬਾਰੰਬਾਰਤਾ ਵਾਲੇ ਉਤਪਾਦ, ਜਿਵੇਂ ਮੱਖਣ, ਵੀ ਇੱਥੇ ਖਤਮ ਹੁੰਦੇ ਹਨ।

ਮਾਰਕੋਵ ਚੇਨਾਂ ਦੇ ਨਾਲ ਵਿਧੀ ਵਿੱਚ ਮੈਟ੍ਰਿਕਸ ਹੇਠ ਲਿਖੇ ਅਨੁਸਾਰ ਹਨ:

k - ਖਰੀਦਦਾਰ ਦੇ ਆਖਰੀ ਲੈਣ-ਦੇਣ ਤੋਂ ਹਰੇਕ ਖਰੀਦੇ ਉਤਪਾਦ ਲਈ ਪ੍ਰਾਪਤ ਕੀਤੇ ਉਤਪਾਦਾਂ ਦੀ ਸੰਖਿਆ।
ਜਿਵੇਂ ਕਿ ਅਸੀਂ ਦੇਖ ਸਕਦੇ ਹਾਂ, ਸਭ ਤੋਂ ਵਧੀਆ ਨਤੀਜਾ k=4 ਨਾਲ ਸੰਰਚਨਾ ਦੁਆਰਾ ਦਿਖਾਇਆ ਗਿਆ ਹੈ। ਛੁੱਟੀਆਂ ਦੇ ਆਲੇ ਦੁਆਲੇ ਮੌਸਮੀ ਵਿਵਹਾਰ ਦੁਆਰਾ ਹਫ਼ਤੇ 4 ਵਿੱਚ ਵਾਧੇ ਨੂੰ ਸਮਝਾਇਆ ਜਾ ਸਕਦਾ ਹੈ। 

ਵੱਖ-ਵੱਖ ਮਾਡਲਾਂ ਦੁਆਰਾ ਬਣਾਈਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੇ ਅਨੁਸਾਰ ਖਰੀਦਦਾਰਾਂ ਲਈ ਸਮਾਨ ਉਤਪਾਦ

ਹੁਣ ਅਸੀਂ ਸਭ ਤੋਂ ਮੁਸ਼ਕਲ ਅਤੇ ਦਿਲਚਸਪ ਹਿੱਸੇ 'ਤੇ ਆਏ ਹਾਂ - ਗਾਹਕਾਂ ਦੇ ਵੈਕਟਰਾਂ ਅਤੇ ਵੱਖ-ਵੱਖ ਮਾਡਲਾਂ ਦੇ ਅਨੁਸਾਰ ਬਣਾਏ ਉਤਪਾਦਾਂ ਦੇ ਆਧਾਰ 'ਤੇ ਨਜ਼ਦੀਕੀ ਗੁਆਂਢੀਆਂ ਦੀ ਖੋਜ ਕਰਨਾ। ਸਾਡੇ ਕੰਮ ਵਿੱਚ ਅਸੀਂ 3 ਅਜਿਹੇ ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਾਂ:

• ALS
• Word2Vec (ਅਜਿਹੇ ਕੰਮਾਂ ਲਈ Item2Vec)
• DSSM

ਅਸੀਂ ਪਹਿਲਾਂ ਹੀ ALS ਨਾਲ ਨਜਿੱਠ ਚੁੱਕੇ ਹਾਂ, ਤੁਸੀਂ ਇਸ ਬਾਰੇ ਪੜ੍ਹ ਸਕਦੇ ਹੋ ਕਿ ਇਹ ਕਿਵੇਂ ਸਿੱਖਦਾ ਹੈ ਇੱਥੇ. Word2Vec ਦੇ ਮਾਮਲੇ ਵਿੱਚ, ਅਸੀਂ ਮਾਡਲ ਦੇ ਜਾਣੇ-ਪਛਾਣੇ ਲਾਗੂਕਰਨ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਾਂ gensim. ਟੈਕਸਟ ਦੇ ਸਮਾਨਤਾ ਦੁਆਰਾ, ਅਸੀਂ ਪੇਸ਼ਕਸ਼ ਨੂੰ ਖਰੀਦ ਰਸੀਦ ਵਜੋਂ ਪਰਿਭਾਸ਼ਿਤ ਕਰਦੇ ਹਾਂ। ਇਸ ਤਰ੍ਹਾਂ, ਜਦੋਂ ਇੱਕ ਉਤਪਾਦ ਵੈਕਟਰ ਬਣਾਉਂਦੇ ਹੋ, ਤਾਂ ਮਾਡਲ ਰਸੀਦ ਵਿੱਚ ਉਤਪਾਦ ਲਈ ਇਸਦੇ "ਪ੍ਰਸੰਗ" (ਰਸੀਦ ਵਿੱਚ ਬਾਕੀ ਬਚੇ ਉਤਪਾਦ) ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨਾ ਸਿੱਖਦਾ ਹੈ। ਈ-ਕਾਮਰਸ ਡੇਟਾ ਵਿੱਚ, ਰਸੀਦ ਦੀ ਬਜਾਏ ਖਰੀਦਦਾਰ ਦੇ ਸੈਸ਼ਨ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਬਿਹਤਰ ਹੈ; ਤੋਂ ਮੁੰਡੇ ਓਜ਼ੋਨ. ਅਤੇ DSSM ਪਾਰਸ ਕਰਨ ਲਈ ਵਧੇਰੇ ਦਿਲਚਸਪ ਹੈ. ਸ਼ੁਰੂ ਵਿੱਚ, ਇਹ ਖੋਜ ਲਈ ਇੱਕ ਮਾਡਲ ਵਜੋਂ ਮਾਈਕ੍ਰੋਸਾਫਟ ਦੇ ਮੁੰਡਿਆਂ ਦੁਆਰਾ ਲਿਖਿਆ ਗਿਆ ਸੀ, ਤੁਸੀਂ ਮੂਲ ਖੋਜ ਪੱਤਰ ਇੱਥੇ ਪੜ੍ਹ ਸਕਦੇ ਹੋ. ਮਾਡਲ ਦਾ ਆਰਕੀਟੈਕਚਰ ਇਸ ਤਰ੍ਹਾਂ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ:

ਇਹ ਇਸ ਲਈ ਹੈ Q - ਪੁੱਛਗਿੱਛ, ਉਪਭੋਗਤਾ ਖੋਜ ਪੁੱਛਗਿੱਛ, D[i] - ਦਸਤਾਵੇਜ਼, ਇੰਟਰਨੈਟ ਪੰਨਾ। ਮਾਡਲ ਲਈ ਇਨਪੁਟ ਕ੍ਰਮਵਾਰ ਬੇਨਤੀ ਅਤੇ ਪੰਨਿਆਂ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਹਨ। ਹਰੇਕ ਇਨਪੁਟ ਲੇਅਰ ਤੋਂ ਬਾਅਦ ਪੂਰੀ ਤਰ੍ਹਾਂ ਨਾਲ ਜੁੜੀਆਂ ਕਈ ਪਰਤਾਂ (ਮਲਟੀਲੇਅਰ ਪਰਸੈਪਟਰੋਨ) ਹੁੰਦੀਆਂ ਹਨ। ਅੱਗੇ, ਮਾਡਲ ਮਾਡਲ ਦੀਆਂ ਆਖਰੀ ਪਰਤਾਂ ਵਿੱਚ ਪ੍ਰਾਪਤ ਵੈਕਟਰਾਂ ਵਿਚਕਾਰ ਕੋਸਾਈਨ ਨੂੰ ਛੋਟਾ ਕਰਨਾ ਸਿੱਖਦਾ ਹੈ।
ਸਿਫ਼ਾਰਿਸ਼ ਕਾਰਜ ਬਿਲਕੁਲ ਉਸੇ ਢਾਂਚੇ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ, ਕੇਵਲ ਇੱਕ ਬੇਨਤੀ ਦੀ ਬਜਾਏ ਇੱਕ ਉਪਭੋਗਤਾ ਹੁੰਦਾ ਹੈ, ਅਤੇ ਪੰਨਿਆਂ ਦੀ ਬਜਾਏ ਉਤਪਾਦ ਹੁੰਦੇ ਹਨ. ਅਤੇ ਸਾਡੇ ਕੇਸ ਵਿੱਚ, ਇਹ ਆਰਕੀਟੈਕਚਰ ਹੇਠ ਲਿਖੇ ਵਿੱਚ ਬਦਲ ਗਿਆ ਹੈ:

ਹੁਣ, ਨਤੀਜਿਆਂ ਦੀ ਜਾਂਚ ਕਰਨ ਲਈ, ਇਹ ਆਖਰੀ ਬਿੰਦੂ ਨੂੰ ਕਵਰ ਕਰਨਾ ਬਾਕੀ ਹੈ - ਜੇਕਰ ALS ਅਤੇ DSSM ਦੇ ਮਾਮਲੇ ਵਿੱਚ ਅਸੀਂ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਉਪਭੋਗਤਾ ਵੈਕਟਰਾਂ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਹੈ, ਤਾਂ Word2Vec ਦੇ ਮਾਮਲੇ ਵਿੱਚ ਸਾਡੇ ਕੋਲ ਸਿਰਫ ਉਤਪਾਦ ਵੈਕਟਰ ਹਨ। ਇੱਥੇ, ਉਪਭੋਗਤਾ ਵੈਕਟਰ ਬਣਾਉਣ ਲਈ, ਅਸੀਂ 3 ਮੁੱਖ ਪਹੁੰਚਾਂ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਹੈ:

1. ਬਸ ਵੈਕਟਰ ਜੋੜੋ, ਫਿਰ ਕੋਸਾਈਨ ਦੂਰੀ ਲਈ ਇਹ ਪਤਾ ਚਲਦਾ ਹੈ ਕਿ ਅਸੀਂ ਖਰੀਦਦਾਰੀ ਇਤਿਹਾਸ ਵਿੱਚ ਉਤਪਾਦਾਂ ਦੀ ਔਸਤ ਕੀਤੀ ਹੈ।
2. ਕੁਝ ਸਮੇਂ ਦੇ ਵਜ਼ਨ ਦੇ ਨਾਲ ਵੈਕਟਰ ਸਮੇਸ਼ਨ।
3. TF-IDF ਗੁਣਾਂਕ ਨਾਲ ਵਸਤੂਆਂ ਦਾ ਤੋਲ ਕਰਨਾ।

ਖਰੀਦਦਾਰ ਵੈਕਟਰ ਦੇ ਰੇਖਿਕ ਵਜ਼ਨ ਦੇ ਮਾਮਲੇ ਵਿੱਚ, ਅਸੀਂ ਇਸ ਧਾਰਨਾ ਤੋਂ ਅੱਗੇ ਵਧਦੇ ਹਾਂ ਕਿ ਉਪਭੋਗਤਾ ਦੁਆਰਾ ਕੱਲ੍ਹ ਜੋ ਉਤਪਾਦ ਖਰੀਦਿਆ ਗਿਆ ਸੀ, ਉਸ ਉਤਪਾਦ ਦਾ ਉਸਦੇ ਵਿਵਹਾਰ 'ਤੇ ਉਸ ਉਤਪਾਦ ਨਾਲੋਂ ਜ਼ਿਆਦਾ ਪ੍ਰਭਾਵ ਹੈ ਜੋ ਉਸਨੇ ਛੇ ਮਹੀਨੇ ਪਹਿਲਾਂ ਖਰੀਦਿਆ ਸੀ। ਇਸ ਲਈ ਅਸੀਂ ਖਰੀਦਦਾਰ ਦੇ ਪਿਛਲੇ ਹਫ਼ਤੇ ਨੂੰ 1 ਦੀਆਂ ਔਕੜਾਂ ਨਾਲ ਸਮਝਦੇ ਹਾਂ, ਅਤੇ ½, ⅓, ਆਦਿ ਦੀਆਂ ਔਕੜਾਂ ਨਾਲ ਅੱਗੇ ਕੀ ਹੋਇਆ:

TF-IDF ਗੁਣਾਂਕ ਲਈ, ਅਸੀਂ ਟੈਕਸਟ ਲਈ TF-IDF ਵਾਂਗ ਹੀ ਕਰਦੇ ਹਾਂ, ਕੇਵਲ ਅਸੀਂ ਖਰੀਦਦਾਰ ਨੂੰ ਇੱਕ ਦਸਤਾਵੇਜ਼ ਦੇ ਤੌਰ ਤੇ ਸਮਝਦੇ ਹਾਂ, ਅਤੇ ਚੈੱਕ ਨੂੰ ਇੱਕ ਪੇਸ਼ਕਸ਼ ਦੇ ਰੂਪ ਵਿੱਚ, ਕ੍ਰਮਵਾਰ, ਸ਼ਬਦ ਇੱਕ ਉਤਪਾਦ ਹੈ। ਇਸ ਤਰ੍ਹਾਂ, ਉਪਭੋਗਤਾ ਦਾ ਵੈਕਟਰ ਦੁਰਲੱਭ ਵਸਤੂਆਂ ਵੱਲ ਵੱਧ ਜਾਵੇਗਾ, ਜਦੋਂ ਕਿ ਖਰੀਦਦਾਰ ਲਈ ਅਕਸਰ ਅਤੇ ਜਾਣੇ-ਪਛਾਣੇ ਵਸਤੂਆਂ ਇਸ ਨੂੰ ਜ਼ਿਆਦਾ ਨਹੀਂ ਬਦਲਦੀਆਂ। ਪਹੁੰਚ ਨੂੰ ਇਸ ਤਰ੍ਹਾਂ ਦਰਸਾਇਆ ਜਾ ਸਕਦਾ ਹੈ:

ਆਉ ਹੁਣ ਮੈਟ੍ਰਿਕਸ ਨੂੰ ਵੇਖੀਏ. ALS ਨਤੀਜੇ ਇਸ ਤਰ੍ਹਾਂ ਦੇ ਦਿਖਾਈ ਦਿੰਦੇ ਹਨ:

ਖਰੀਦਦਾਰ ਵੈਕਟਰ ਬਣਾਉਣ ਦੇ ਵੱਖ-ਵੱਖ ਭਿੰਨਤਾਵਾਂ ਦੇ ਨਾਲ Item2Vec ਲਈ ਮੈਟ੍ਰਿਕਸ:

ਇਸ ਕੇਸ ਵਿੱਚ, ਬਿਲਕੁਲ ਉਹੀ ਮਾਡਲ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ ਜਿਵੇਂ ਕਿ ਸਾਡੀ ਬੇਸਲਾਈਨ ਵਿੱਚ. ਫਰਕ ਸਿਰਫ ਇਹ ਹੈ ਕਿ ਅਸੀਂ ਕਿਹੜਾ k ਵਰਤਾਂਗੇ। ਸਿਰਫ਼ ਸਹਿਯੋਗੀ ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨ ਲਈ, ਤੁਹਾਨੂੰ ਹਰੇਕ ਗਾਹਕ ਲਈ ਲਗਭਗ 50-70 ਨਜ਼ਦੀਕੀ ਉਤਪਾਦ ਲੈਣੇ ਪੈਣਗੇ।

ਅਤੇ DSSM ਦੇ ਅਨੁਸਾਰ ਮੈਟ੍ਰਿਕਸ:

ਸਾਰੇ ਤਰੀਕਿਆਂ ਨੂੰ ਕਿਵੇਂ ਜੋੜਨਾ ਹੈ?

ਠੰਡਾ, ਤੁਸੀਂ ਕਹਿੰਦੇ ਹੋ, ਪਰ ਉਮੀਦਵਾਰ ਕੱਢਣ ਵਾਲੇ ਸਾਧਨਾਂ ਦੇ ਇੰਨੇ ਵੱਡੇ ਸਮੂਹ ਦਾ ਕੀ ਕਰਨਾ ਹੈ? ਆਪਣੇ ਡੇਟਾ ਲਈ ਅਨੁਕੂਲ ਸੰਰਚਨਾ ਕਿਵੇਂ ਚੁਣੀਏ? ਇੱਥੇ ਸਾਨੂੰ ਕਈ ਸਮੱਸਿਆਵਾਂ ਹਨ:

1. ਹਰ ਵਿਧੀ ਵਿੱਚ ਹਾਈਪਰਪੈਰਾਮੀਟਰਾਂ ਲਈ ਖੋਜ ਸਪੇਸ ਨੂੰ ਕਿਸੇ ਤਰ੍ਹਾਂ ਸੀਮਤ ਕਰਨਾ ਜ਼ਰੂਰੀ ਹੈ। ਇਹ, ਬੇਸ਼ੱਕ, ਹਰ ਥਾਂ ਵੱਖਰਾ ਹੈ, ਪਰ ਸੰਭਵ ਬਿੰਦੂਆਂ ਦੀ ਗਿਣਤੀ ਬਹੁਤ ਵੱਡੀ ਹੈ।
2. ਖਾਸ ਹਾਈਪਰਪੈਰਾਮੀਟਰਾਂ ਦੇ ਨਾਲ ਖਾਸ ਤਰੀਕਿਆਂ ਦੇ ਇੱਕ ਛੋਟੇ ਸੀਮਤ ਨਮੂਨੇ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ, ਤੁਸੀਂ ਆਪਣੇ ਮੈਟ੍ਰਿਕ ਲਈ ਸਭ ਤੋਂ ਵਧੀਆ ਸੰਰਚਨਾ ਕਿਵੇਂ ਚੁਣ ਸਕਦੇ ਹੋ?

ਸਾਨੂੰ ਅਜੇ ਤੱਕ ਪਹਿਲੇ ਸਵਾਲ ਦਾ ਨਿਸ਼ਚਤ ਤੌਰ 'ਤੇ ਸਹੀ ਜਵਾਬ ਨਹੀਂ ਮਿਲਿਆ ਹੈ, ਇਸਲਈ ਅਸੀਂ ਹੇਠਾਂ ਦਿੱਤੇ ਤੋਂ ਅੱਗੇ ਵਧਦੇ ਹਾਂ: ਹਰੇਕ ਵਿਧੀ ਲਈ, ਇੱਕ ਹਾਈਪਰਪੈਰਾਮੀਟਰ ਖੋਜ ਸਪੇਸ ਲਿਮਿਟਰ ਲਿਖਿਆ ਜਾਂਦਾ ਹੈ, ਜੋ ਸਾਡੇ ਕੋਲ ਮੌਜੂਦ ਡੇਟਾ ਦੇ ਕੁਝ ਅੰਕੜਿਆਂ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ। ਇਸ ਤਰ੍ਹਾਂ, ਲੋਕਾਂ ਤੋਂ ਖਰੀਦਦਾਰੀ ਦੇ ਵਿਚਕਾਰ ਔਸਤ ਮਿਆਦ ਨੂੰ ਜਾਣਦਿਆਂ, ਅਸੀਂ ਅੰਦਾਜ਼ਾ ਲਗਾ ਸਕਦੇ ਹਾਂ ਕਿ "ਜੋ ਪਹਿਲਾਂ ਹੀ ਖਰੀਦਿਆ ਜਾ ਚੁੱਕਾ ਹੈ" ਅਤੇ "ਲੰਬੀ ਪਿਛਲੀ ਖਰੀਦਦਾਰੀ ਦੀ ਮਿਆਦ" ਵਿਧੀ ਦੀ ਵਰਤੋਂ ਕਰਨ ਲਈ ਕਿਸ ਮਿਆਦ ਦੇ ਨਾਲ.

ਅਤੇ ਜਦੋਂ ਅਸੀਂ ਵੱਖ-ਵੱਖ ਤਰੀਕਿਆਂ ਦੀਆਂ ਭਿੰਨਤਾਵਾਂ ਦੀ ਇੱਕ ਨਿਸ਼ਚਤ ਸੰਖਿਆ ਵਿੱਚੋਂ ਲੰਘਦੇ ਹਾਂ, ਅਸੀਂ ਹੇਠਾਂ ਦਿੱਤੇ ਨੋਟ ਕਰਦੇ ਹਾਂ: ਹਰੇਕ ਲਾਗੂਕਰਨ ਉਮੀਦਵਾਰਾਂ ਦੀ ਇੱਕ ਨਿਸ਼ਚਿਤ ਗਿਣਤੀ ਨੂੰ ਕੱਢਦਾ ਹੈ ਅਤੇ ਸਾਡੇ ਲਈ ਮੁੱਖ ਮੈਟ੍ਰਿਕ ਦਾ ਇੱਕ ਨਿਸ਼ਚਿਤ ਮੁੱਲ ਹੁੰਦਾ ਹੈ (ਯਾਦ ਕਰੋ)। ਅਸੀਂ ਸਭ ਤੋਂ ਵੱਧ ਸੰਭਵ ਮੈਟ੍ਰਿਕ ਦੇ ਨਾਲ, ਸਾਡੀ ਮਨਜ਼ੂਰਸ਼ੁਦਾ ਕੰਪਿਊਟਿੰਗ ਸ਼ਕਤੀ 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹੋਏ, ਕੁੱਲ ਉਮੀਦਵਾਰਾਂ ਦੀ ਇੱਕ ਨਿਸ਼ਚਿਤ ਗਿਣਤੀ ਪ੍ਰਾਪਤ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹਾਂ। ਇੱਥੇ ਸਮੱਸਿਆ ਸੁੰਦਰਤਾ ਨਾਲ ਬੈਕਪੈਕ ਦੀ ਸਮੱਸਿਆ ਵਿੱਚ ਢਹਿ ਜਾਂਦੀ ਹੈ.

ਇੱਥੇ ਉਮੀਦਵਾਰਾਂ ਦੀ ਗਿਣਤੀ ਇੰਗਟ ਦਾ ਭਾਰ ਹੈ, ਅਤੇ ਯਾਦ ਕਰਨ ਦਾ ਤਰੀਕਾ ਇਸਦਾ ਮੁੱਲ ਹੈ। ਹਾਲਾਂਕਿ, ਐਲਗੋਰਿਦਮ ਨੂੰ ਲਾਗੂ ਕਰਦੇ ਸਮੇਂ 2 ਹੋਰ ਨੁਕਤੇ ਧਿਆਨ ਵਿੱਚ ਰੱਖੇ ਜਾਣੇ ਚਾਹੀਦੇ ਹਨ:

• ਢੰਗ ਉਹਨਾਂ ਉਮੀਦਵਾਰਾਂ ਵਿੱਚ ਓਵਰਲੈਪ ਹੋ ਸਕਦੇ ਹਨ ਜੋ ਉਹ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਨ।
• ਕੁਝ ਮਾਮਲਿਆਂ ਵਿੱਚ, ਵੱਖ-ਵੱਖ ਮਾਪਦੰਡਾਂ ਦੇ ਨਾਲ ਇੱਕ ਵਿਧੀ ਨੂੰ ਦੋ ਵਾਰ ਲੈਣਾ ਸਹੀ ਹੋਵੇਗਾ, ਅਤੇ ਪਹਿਲੇ ਤੋਂ ਉਮੀਦਵਾਰ ਆਉਟਪੁੱਟ ਦੂਜੇ ਦਾ ਸਬਸੈੱਟ ਨਹੀਂ ਹੋਵੇਗਾ।

ਉਦਾਹਰਨ ਲਈ, ਜੇਕਰ ਅਸੀਂ "ਜੋ ਮੈਂ ਪਹਿਲਾਂ ਹੀ ਖਰੀਦ ਲਿਆ ਹੈ" ਵਿਧੀ ਨੂੰ ਮੁੜ ਪ੍ਰਾਪਤੀ ਲਈ ਵੱਖ-ਵੱਖ ਅੰਤਰਾਲਾਂ ਨਾਲ ਲਾਗੂ ਕਰਦੇ ਹਾਂ, ਤਾਂ ਉਹਨਾਂ ਦੇ ਉਮੀਦਵਾਰਾਂ ਦੇ ਸਮੂਹ ਇੱਕ ਦੂਜੇ ਦੇ ਅੰਦਰ ਨੇਸਟ ਕੀਤੇ ਜਾਣਗੇ। ਉਸੇ ਸਮੇਂ, ਨਿਕਾਸ 'ਤੇ "ਆਵਧੀ ਖਰੀਦਦਾਰੀ" ਵਿੱਚ ਵੱਖ-ਵੱਖ ਮਾਪਦੰਡ ਪੂਰਾ ਇੰਟਰਸੈਕਸ਼ਨ ਪ੍ਰਦਾਨ ਨਹੀਂ ਕਰਦੇ ਹਨ। ਇਸਲਈ, ਅਸੀਂ ਵੱਖ-ਵੱਖ ਮਾਪਦੰਡਾਂ ਦੇ ਨਾਲ ਨਮੂਨਾ ਲੈਣ ਦੀਆਂ ਪਹੁੰਚਾਂ ਨੂੰ ਬਲਾਕਾਂ ਵਿੱਚ ਵੰਡਦੇ ਹਾਂ ਜਿਵੇਂ ਕਿ ਹਰੇਕ ਬਲਾਕ ਤੋਂ ਅਸੀਂ ਖਾਸ ਹਾਈਪਰਪੈਰਾਮੀਟਰਾਂ ਨਾਲ ਵੱਧ ਤੋਂ ਵੱਧ ਇੱਕ ਐਕਸਟਰੈਕਸ਼ਨ ਪਹੁੰਚ ਲੈਣਾ ਚਾਹੁੰਦੇ ਹਾਂ। ਅਜਿਹਾ ਕਰਨ ਲਈ, ਤੁਹਾਨੂੰ ਨੈਪਸੈਕ ਸਮੱਸਿਆ ਨੂੰ ਲਾਗੂ ਕਰਨ ਵਿੱਚ ਥੋੜਾ ਹੁਸ਼ਿਆਰ ਹੋਣ ਦੀ ਜ਼ਰੂਰਤ ਹੈ, ਪਰ ਅਸੈਂਪਟੋਟਿਕਸ ਅਤੇ ਨਤੀਜਾ ਨਹੀਂ ਬਦਲੇਗਾ।

ਇਹ ਸਮਾਰਟ ਸੁਮੇਲ ਸਾਨੂੰ ਸਿਰਫ਼ ਸਹਿਯੋਗੀ ਮਾਡਲਾਂ ਦੀ ਤੁਲਨਾ ਵਿੱਚ ਹੇਠਾਂ ਦਿੱਤੇ ਮੈਟ੍ਰਿਕਸ ਪ੍ਰਾਪਤ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ:

ਅੰਤਮ ਮੈਟ੍ਰਿਕਸ ਵਿੱਚ ਅਸੀਂ ਹੇਠਾਂ ਦਿੱਤੀ ਤਸਵੀਰ ਦੇਖਦੇ ਹਾਂ:

ਹਾਲਾਂਕਿ, ਇੱਥੇ ਤੁਸੀਂ ਨੋਟ ਕਰ ਸਕਦੇ ਹੋ ਕਿ ਵਪਾਰ ਲਈ ਉਪਯੋਗੀ ਸਿਫ਼ਾਰਸ਼ਾਂ ਲਈ ਇੱਕ ਅਣਜਾਣ ਬਿੰਦੂ ਹੈ। ਹੁਣ ਅਸੀਂ ਹੁਣੇ ਹੀ ਸਿੱਖਿਆ ਹੈ ਕਿ ਉਪਭੋਗਤਾ ਕੀ ਖਰੀਦੇਗਾ, ਉਦਾਹਰਨ ਲਈ, ਅਗਲੇ ਹਫ਼ਤੇ ਇਹ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਦਾ ਵਧੀਆ ਕੰਮ ਕਿਵੇਂ ਕਰਨਾ ਹੈ। ਪਰ ਸਿਰਫ਼ ਉਸ ਚੀਜ਼ 'ਤੇ ਛੋਟ ਦੇਣਾ ਜੋ ਉਹ ਪਹਿਲਾਂ ਹੀ ਖਰੀਦੇਗਾ ਬਹੁਤ ਵਧੀਆ ਨਹੀਂ ਹੈ. ਪਰ ਉਮੀਦ ਨੂੰ ਵੱਧ ਤੋਂ ਵੱਧ ਕਰਨਾ ਵਧੀਆ ਹੈ, ਉਦਾਹਰਨ ਲਈ, ਹੇਠਾਂ ਦਿੱਤੇ ਮੈਟ੍ਰਿਕਸ ਵਿੱਚੋਂ:

1. ਨਿੱਜੀ ਸਿਫ਼ਾਰਸ਼ਾਂ ਦੇ ਆਧਾਰ 'ਤੇ ਮਾਰਜਿਨ/ਟਰਨਓਵਰ।
2. ਔਸਤ ਗਾਹਕ ਚੈੱਕ.
3. ਦੌਰੇ ਦੀ ਬਾਰੰਬਾਰਤਾ.

ਇਸ ਲਈ ਅਸੀਂ ਪ੍ਰਾਪਤ ਕੀਤੀਆਂ ਸੰਭਾਵਨਾਵਾਂ ਨੂੰ ਵੱਖ-ਵੱਖ ਗੁਣਾਂਕ ਦੁਆਰਾ ਗੁਣਾ ਕਰਦੇ ਹਾਂ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਮੁੜ ਦਰਜਾ ਦਿੰਦੇ ਹਾਂ ਤਾਂ ਜੋ ਉਪਰੋਕਤ ਮੈਟ੍ਰਿਕਸ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਨ ਵਾਲੇ ਉਤਪਾਦ ਸਿਖਰ 'ਤੇ ਪਹੁੰਚ ਸਕਣ। ਇੱਥੇ ਕੋਈ ਤਿਆਰ-ਬਣਾਇਆ ਹੱਲ ਨਹੀਂ ਹੈ ਜਿਸਦੀ ਵਰਤੋਂ ਕਰਨਾ ਸਭ ਤੋਂ ਵਧੀਆ ਹੈ. ਅਸੀਂ ਸਿੱਧੇ ਉਤਪਾਦਨ ਵਿੱਚ ਅਜਿਹੇ ਗੁਣਾਂਕ ਨਾਲ ਪ੍ਰਯੋਗ ਵੀ ਕਰਦੇ ਹਾਂ। ਪਰ ਇੱਥੇ ਦਿਲਚਸਪ ਤਕਨੀਕਾਂ ਹਨ ਜੋ ਅਕਸਰ ਸਾਨੂੰ ਸਭ ਤੋਂ ਵਧੀਆ ਨਤੀਜੇ ਦਿੰਦੀਆਂ ਹਨ:

1. ਉਤਪਾਦ ਦੀ ਕੀਮਤ/ਹਾਸ਼ੀਏ ਨਾਲ ਗੁਣਾ ਕਰੋ।
2. ਔਸਤ ਰਸੀਦ ਨਾਲ ਗੁਣਾ ਕਰੋ ਜਿਸ ਵਿੱਚ ਉਤਪਾਦ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ। ਇਸ ਲਈ ਮਾਲ ਆ ਜਾਵੇਗਾ, ਜਿਸ ਨਾਲ ਉਹ ਆਮ ਤੌਰ 'ਤੇ ਕੁਝ ਹੋਰ ਲੈਂਦੇ ਹਨ.
3. ਇਸ ਉਤਪਾਦ ਦੇ ਖਰੀਦਦਾਰਾਂ ਦੁਆਰਾ ਮੁਲਾਕਾਤਾਂ ਦੀ ਔਸਤ ਬਾਰੰਬਾਰਤਾ ਨਾਲ ਗੁਣਾ ਕਰੋ, ਇਸ ਧਾਰਨਾ ਦੇ ਆਧਾਰ 'ਤੇ ਕਿ ਇਹ ਉਤਪਾਦ ਲੋਕਾਂ ਨੂੰ ਇਸ ਲਈ ਵਧੇਰੇ ਵਾਰ ਵਾਪਸ ਆਉਣ ਲਈ ਉਕਸਾਉਂਦਾ ਹੈ।

ਗੁਣਾਂ ਦੇ ਨਾਲ ਪ੍ਰਯੋਗ ਕਰਨ ਤੋਂ ਬਾਅਦ, ਅਸੀਂ ਉਤਪਾਦਨ ਵਿੱਚ ਹੇਠਾਂ ਦਿੱਤੇ ਮੈਟ੍ਰਿਕਸ ਪ੍ਰਾਪਤ ਕੀਤੇ:

ਇਹ ਇਸ ਲਈ ਹੈ ਸਮੁੱਚੇ ਉਤਪਾਦ ਪਰਿਵਰਤਨ - ਸਾਡੇ ਦੁਆਰਾ ਤਿਆਰ ਕੀਤੀਆਂ ਸਿਫ਼ਾਰਸ਼ਾਂ ਵਿੱਚ ਸਾਰੇ ਉਤਪਾਦਾਂ ਵਿੱਚੋਂ ਖਰੀਦੇ ਗਏ ਉਤਪਾਦਾਂ ਦਾ ਹਿੱਸਾ।

ਇੱਕ ਧਿਆਨ ਦੇਣ ਵਾਲਾ ਪਾਠਕ ਔਫਲਾਈਨ ਅਤੇ ਔਨਲਾਈਨ ਮੈਟ੍ਰਿਕਸ ਵਿੱਚ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਅੰਤਰ ਨੂੰ ਦੇਖੇਗਾ। ਇਸ ਵਿਵਹਾਰ ਦੀ ਵਿਆਖਿਆ ਇਸ ਤੱਥ ਦੁਆਰਾ ਕੀਤੀ ਗਈ ਹੈ ਕਿ ਮਾਡਲ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਵੇਲੇ ਸਿਫਾਰਸ਼ ਕੀਤੇ ਜਾ ਸਕਣ ਵਾਲੇ ਉਤਪਾਦਾਂ ਲਈ ਸਾਰੇ ਗਤੀਸ਼ੀਲ ਫਿਲਟਰਾਂ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਨਹੀਂ ਰੱਖਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਸਾਡੇ ਲਈ, ਇਹ ਇੱਕ ਆਮ ਕਹਾਣੀ ਹੈ ਜਦੋਂ ਪ੍ਰਾਪਤ ਕੀਤੇ ਉਮੀਦਵਾਰਾਂ ਵਿੱਚੋਂ ਅੱਧੇ ਨੂੰ ਫਿਲਟਰ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ; ਇਹ ਵਿਸ਼ੇਸ਼ਤਾ ਸਾਡੇ ਉਦਯੋਗ ਵਿੱਚ ਖਾਸ ਹੈ।

ਮਾਲੀਏ ਦੇ ਸੰਦਰਭ ਵਿੱਚ, ਹੇਠ ਲਿਖੀ ਕਹਾਣੀ ਪ੍ਰਾਪਤ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਇਹ ਸਪੱਸ਼ਟ ਹੈ ਕਿ ਸਿਫ਼ਾਰਸ਼ਾਂ ਦੀ ਸ਼ੁਰੂਆਤ ਤੋਂ ਬਾਅਦ, ਟੈਸਟ ਸਮੂਹ ਦੀ ਆਮਦਨੀ ਜ਼ੋਰਦਾਰ ਢੰਗ ਨਾਲ ਵਧ ਰਹੀ ਹੈ, ਹੁਣ ਸਾਡੀਆਂ ਸਿਫ਼ਾਰਸ਼ਾਂ ਦੇ ਨਾਲ ਆਮਦਨ ਵਿੱਚ ਔਸਤ ਵਾਧਾ 3-4% ਹੈ:

ਸਿੱਟਾ ਵਿੱਚ, ਮੈਂ ਇਹ ਕਹਿਣਾ ਚਾਹੁੰਦਾ ਹਾਂ ਕਿ ਜੇ ਤੁਹਾਨੂੰ ਗੈਰ-ਰੀਅਲਟਾਈਮ ਸਿਫ਼ਾਰਸ਼ਾਂ ਦੀ ਲੋੜ ਹੈ, ਤਾਂ ਸਿਫ਼ਾਰਸ਼ਾਂ ਲਈ ਉਮੀਦਵਾਰਾਂ ਨੂੰ ਕੱਢਣ ਦੇ ਨਾਲ ਪ੍ਰਯੋਗਾਂ ਵਿੱਚ ਗੁਣਵੱਤਾ ਵਿੱਚ ਬਹੁਤ ਵੱਡਾ ਵਾਧਾ ਪਾਇਆ ਜਾ ਸਕਦਾ ਹੈ. ਉਹਨਾਂ ਦੀ ਪੀੜ੍ਹੀ ਲਈ ਬਹੁਤ ਸਾਰਾ ਸਮਾਂ ਬਹੁਤ ਸਾਰੇ ਚੰਗੇ ਤਰੀਕਿਆਂ ਨੂੰ ਜੋੜਨਾ ਸੰਭਵ ਬਣਾਉਂਦਾ ਹੈ, ਜੋ ਕੁੱਲ ਮਿਲਾ ਕੇ ਕਾਰੋਬਾਰ ਲਈ ਵਧੀਆ ਨਤੀਜੇ ਦੇਵੇਗਾ.

ਮੈਨੂੰ ਕਿਸੇ ਵੀ ਵਿਅਕਤੀ ਨਾਲ ਟਿੱਪਣੀਆਂ ਵਿੱਚ ਗੱਲਬਾਤ ਕਰਨ ਵਿੱਚ ਖੁਸ਼ੀ ਹੋਵੇਗੀ ਜਿਸਨੂੰ ਸਮੱਗਰੀ ਦਿਲਚਸਪ ਲੱਗਦੀ ਹੈ. ਤੁਸੀਂ ਮੈਨੂੰ ਨਿੱਜੀ ਤੌਰ 'ਤੇ ਸਵਾਲ ਪੁੱਛ ਸਕਦੇ ਹੋ ਤਾਰ. ਮੈਂ ਏਆਈ/ਸਟਾਰਟਅੱਪ ਬਾਰੇ ਆਪਣੇ ਵਿਚਾਰ ਵੀ ਸਾਂਝੇ ਕਰਦਾ ਹਾਂ ਟੈਲੀਗ੍ਰਾਮ ਚੈਨਲ - ਜੀ ਆਇਆਂ ਨੂੰ :)

ਸਰੋਤ: www.habr.com