Por meio da emissão de prompts e da previsão de eventos, a inteligência artificial forma sistemas de recomendação de rotação de bens e serviços adequados às solicitações dos usuários, com foco em suas preferências. Segundo a ideia, esse processo deve ocorrer quase que instantaneamente: distribuição dos produtos por categoria, criação automática de um pool de produtos relacionados a partir da linha associativa e manipulação do big date. Mas, na realidade, a inteligência artificial não acompanha as mudanças nas preferências do usuário e, muitas vezes, simplesmente comete erros ao classificar produtos com base em solicitações anteriores. Como resultado, os mercados oferecem a homens adultos conjuntos de roupas para bonecas, que, uma vez usando seu cartão, foram encomendados por uma filha de colegial, e as crianças recebem “como presente” novas marcas de óleo de máquina e assinaturas de seminários de negócios.
Atingindo o cliente
Freqüentemente, os sistemas geram recomendações errôneas ou irrelevantes e em grandes quantidades, usando um algoritmo que não resiste a trapaças e hackers. Dessa forma, as lojas online se deparam com o problema de baixa eficiência das recomendações geradas.
Para evitar que isso aconteça, os criadores de redes neurais precisam resolver o problema de identificar com precisão as tendências para mudanças e preferências do usuário. Ou seja, os motores de recomendação devem aprender a prever não apenas a reação à oferta de um produto ou serviço, mas também oferecer opções semelhantes ou alternativas (dependendo da reação do usuário).
No e-commerce, sistemas colaborativos, de conteúdo e de recomendação de especialistas funcionando separadamente podem falhar e um híbrido deve ser criado. Um algoritmo de recomendação híbrido flexível combinará dados de vários canais ao longo do tempo. Técnicas ponderadas, aumentadas, mistas e aleatórias podem ser aplicadas neles ao mesmo tempo.
O algoritmo de filtragem colaborativa se parece com isso. Dada uma matriz de preferência e a capacidade de determinar a similaridade usando uma medida de cosseno, você precisará selecionar o número de usuários com gostos semelhantes. Calcule a medida de cosseno para cada usuário, multiplique suas classificações pela medida resultante e calcule a soma das classificações calibradas para cada produto. A fórmula do algoritmo é semelhante a esta.
A função sim é uma medida da similaridade de dois usuários.
U — .
r — .
k — , :
rec = makeRecommendation (‘ , (), , ).
, , , , . – . , «» , . , – . , , .
, . 5%, 12%. , , . , , . , , , .
, . , . , , , .
, , . , . , . json.
, , , «» . .
, . «» , - , .
, , , - , , , . , , – - . , , .