আনস্প্ল্যাশ-এ বেন হোয়াইটের ছবি

কীভাবে একটি ব্যবসা-ভিত্তিক প্রস্তাবিত সিস্টেমগুলি তৈরি করবেন

একটি সুপারিশ সিস্টেম ভাল কাজ করার জন্য একটি জটিল ব্ল্যাক বক্স হতে হবে না। মাত্র কয়েকটি মৌলিক পরিসংখ্যান নীতি এবং ব্যবসায়ের জ্ঞানের সমন্বয়ে একটি কার্যকর এবং ব্যাখ্যাযোগ্য সরঞ্জাম তৈরি করা সম্ভব।

নিবন্ধ সামগ্রী te

1. সুপারিশ সিস্টেমের উপর একটি ওভারভিউ

  • সুপারিশ কেন?
  • সহযোগী ফিল্টারিংয়ের জন্য গভীর শিক্ষা
  • গ্রাফ ভিত্তিক প্রস্তাবনা
  • ব্যবসায়িক ভিত্তিক দৃষ্টিভঙ্গির প্রয়োজন

। 2. প্রস্তাবনার ক্ষেত্রে একটি নমনীয় এবং ব্যাখ্যাযোগ্য পদ্ধতি

  • পরিস্থিতি
  • গ্রাহক ফিঙ্গারপ্রিন্ট
  • পণ্যের ফিঙ্গারপ্রিন্ট
  • গ্রাহক গোষ্ঠী
  • শীর্ষ পণ্য তালিকা

3. চূড়ান্ত কঠিন এবং উন্নতি

1. প্রস্তাবনা সিস্টেমের উপর একটি ওভারভিউ

সুপারিশ কেন?

"অ্যামাজনের 35% আয় এর সুপারিশ ইঞ্জিন দ্বারা উত্পন্ন হয়"

সম্ভবত আপনি এই ঘোষণাটি শুনেছেন এবং এটি সেই উপাদানগুলির মধ্যে একটি যা সুপারিশ সিস্টেমগুলির চারপাশে একটি বিশাল হাইপ তৈরি করতে অবদান রাখে: 35% পর্যন্ত বিক্রয় উন্নত করতে পারে এমন একটি "ম্যাজিক" সরঞ্জামের ধারণাটি উত্তেজনাপূর্ণ!

আনসপ্ল্যাশ-এ রামন সালিনিয়েরো ছবি

যে কোনও সিদ্ধান্ত গ্রহণকারীরা এই তথ্যটি চালু করে কেন সহজেই বুঝতে পারে যে তাদের সংস্থাগুলিতে এই শক্তিশালী যন্ত্রটির সুবিধা নিতে চান। এটি সম্পূর্ণরূপে বোধগম্য হয়, কিন্তু যখন পদক্ষেপ নেওয়ার সময় আসে তখন তারা কিছু কারণে পিছিয়ে যায়।

তাদের অনুভূতি এবং সন্দেহ বোঝার জন্য, এটি বিবেচনা করা উচিত যে বিভিন্ন প্রস্তাবের বিভিন্ন অ্যালগোরিদম রয়েছে এবং সবচেয়ে উপযুক্তের পছন্দটি মূলত চারটি উপাদানের উপর নির্ভর করে:

  • Technical অ প্রযুক্তিগত-লোকের জন্য ফলাফলের স্পষ্টতা
  • Valuable মূল্যবান নিয়ম সন্ধানে কার্যকারিতা
  • গণনার প্রচেষ্টা effort
  • The অ্যালগরিদমে ব্যবসায়-নির্দিষ্ট লজিক যুক্ত করার সম্ভাবনা

সহযোগী ফিল্টারিংয়ের জন্য গভীর শিক্ষা

প্রথম ধরণের আরএস (এই নিবন্ধে মাত্তিও বর্ণিত) প্রতিটি পণ্যের এম্বেডিং ভেক্টর (অর্থাত্ এটির বর্ণনাগুলির একটি ভেক্টর) নির্মানের জন্য নিউরাল নেটওয়ার্কের শক্তি কাজে লাগায়। এই পদ্ধতিগুলি সাধারণত কার্যকর হয় এবং প্রথম নিবিড় প্রশিক্ষণ পর্বের পরে তাদের ব্যবহারের জন্য বড় ধরনের প্রচেষ্টা প্রয়োজন হয় না। মুল বক্তব্যটি হ'ল, কোনও ব্যবসায়ী-ব্যবহারকারীর জন্য এগুলি ব্ল্যাক-বাক্স এবং নির্মিত এম্বেডিংগুলি মানুষের পক্ষে অর্থহীন হতে পারে।

গ্রাফ ভিত্তিক প্রস্তাবনা

আর এক ধরণের আরএস (মাত্তিওর এই অন্যান্য নিবন্ধে উপস্থাপিত) উপাদানগুলির মধ্যে সম্পর্কগুলি সহজেই গণনার জন্য গ্রাফের ডাটাবেসের সুবিধা গ্রহণ করে। এই পদ্ধতিগুলি রিয়েলটাইমে আপডেট হয় এবং বিশ্লেষককে তার নিজস্ব ডোমেন জ্ঞানের ভিত্তিতে বিধি তৈরি করতে দেয়। এখানে ব্যথা বিন্দু সুপ্ত নিদর্শন এবং লুকানো নিয়ম সন্ধান করতে অক্ষম হতে পারে।

ব্যবসায়ের ওরিয়েন্টেড সিস্টেমের প্রয়োজন

নিশ্চিতভাবেই, গ্রাহকদের জন্য ভাল পরামর্শের পূর্বাভাস দেওয়ার ক্ষেত্রে এই দুটি পদ্ধতিই কার্যকরভাবে কার্যকর হতে পারে তবে এগুলির কোনওটিই অনেক সিদ্ধান্ত গ্রহণকারীদের সমস্ত ভয়ের জবাব দিতে পারে না:

  • একটি কালো-বাক্স সরঞ্জামের উপর নিয়ন্ত্রণের অভাব এবং এটি কেন ভাল বা খারাপ প্রদর্শন করছে তা বোঝার সমস্যা
  • ফলাফলগুলি উন্নত করার জন্য অ্যালগরিদমে তাদের ব্যবসায়িক অভিজ্ঞতা যুক্ত করার অসম্ভবতা
  • লুকানো নিয়মগুলি অনুসন্ধান করার প্রয়োজন হয়, বা তাদের অনুভূতি এবং অন্তর্দৃষ্টিগুলি পরিসংখ্যানগতভাবে নিশ্চিত করে।

ভাগ্যক্রমে, একটি আকর্ষণীয় সমাধান তৃতীয় ধরণের আরএস দ্বারা দেওয়া হয়েছে, যা পরিসংখ্যান এবং ব্যবসায়িক জ্ঞানের ভারসাম্য বজায় রাখে। এই পদ্ধতির জন্য ডেটার একটি দৈনিক প্রাক প্রক্রিয়া প্রয়োজন এবং এটি গণনামূলক প্রচেষ্টার ক্ষেত্রে এটি সবচেয়ে তীব্র করে তোলে। অন্যদিকে, এটি জটিল ব্যবসায়-ভিত্তিক হিউরিস্টিক্সের সংজ্ঞাটিকে অনুমতি দেয় এবং একটি পরিষ্কার এবং প্রাক-সংজ্ঞায়িত ব্যবসায়িক অর্থ সহ একটি এম্বেডিং ভেক্টর তৈরি করে।

2. প্রস্তাবনার একটি নমনীয় এবং ব্যাখ্যাযোগ্য পদ্ধতি Appro

আইবিএম গবেষণা বিভাগের নীচের নিবন্ধটি, 2000 এর প্রথম দিকে প্রকাশিত, সুপারিশের জন্য নমনীয় পদ্ধতির প্রস্তাব দেয় যা পরিসংখ্যানগত এবং ব্যবসায়িক পছন্দ উভয়ই অনুকূলিতযোগ্য।

একটি শাস্ত্রীয় সুপারিশ সিস্টেম হিসাবে, অ্যালগরিদমের চূড়ান্ত লক্ষ্য হ'ল ব্যবহারকারীদের ক্রয় এবং তৃপ্তি বাড়ানোর জন্য "প্রস্তাবিত পণ্য "গুলির একটি তালিকা সরবরাহ করা।

আনস্প্ল্যাশে ফ্রেঙ্কি কর্ডোবা দ্বারা ছবি

সাধারণত বলতে গেলে, অ্যালগরিদমকে চারটি যৌক্তিক ধাপে বিভক্ত করা যেতে পারে:

  • Customer গ্রাহক ফিঙ্গারপ্রিন্ট তৈরি
  • Fin একটি পণ্য আঙুলের ছাপ তৈরি
  • Cust গ্রাহক গোষ্ঠী তৈরি of
  • Each প্রতিটি গ্রাহকের জন্য সুপারিশ করার জন্য শীর্ষ পণ্য তালিকা তৈরি করা

সংক্ষেপে বলা যায়, প্রতিটি গ্রাহকের জন্য পণ্য তালিকায় তাঁর ক্লাস্টারের শীর্ষে বিক্রি হওয়া পণ্যগুলি হিংসের সাথে খুব মিল রয়েছে।

পরিস্থিতি

আনসপ্ল্যাশ-এ রোজঙ্গেলা টেইলারের ছবি

নিবন্ধে আলোচিত ব্যবহারের ক্ষেত্রটি যুক্তরাজ্যের একটি সুপারমার্কেট খুচরা বিক্রেতা দ্বারা বাস্তবায়িত একটি পাইলট প্রকল্পকে বোঝায়।

প্রকল্পে নিবন্ধিত প্রতিটি গ্রাহকের জন্য প্রস্তাবিত পণ্যের একটি তালিকা তৈরির লক্ষ্য। স্পষ্টতই তালিকার অবশ্যই "সংবেদনশীল আইটেমগুলি" (যেমন তামাক, স্বাস্থ্যজাত পণ্য ...) এবং পূর্বে কেনা সামগ্রীর প্রস্তাব ছাড়াই গ্রাহকের ব্যয় বাড়ানো উচিত।

নীচে বর্ণিত পদ্ধতিটি অন্যান্য খুচরা প্রসঙ্গগুলিতে সহজেই সাধারণীকরণযোগ্য, যেহেতু এটি কেবলমাত্র পূর্বশর্ত ব্যবহার করে এটি একটি শ্রেণিবদ্ধ পণ্য শৃঙ্খলা। প্রকৃতপক্ষে, পণ্যগুলি জি = 99 ক্লাসে বিভক্ত এবং প্রতিটি শ্রেণি 100 টিরও কম সাবক্লাসে বিভক্ত হয়ে মোট এস = 2302 পণ্য সাবক্লাস তৈরি করে। (উদাহরণস্বরূপ পেটফুডস [শ্রেণি] → ক্যানড বিড়াল জাতীয় খাবার [সাবক্লাস] → ফ্রিস্কিজ লিভার 250 গ্রাম [পণ্য])।

গ্রাহক ফিঙ্গারপ্রিন্ট

আনস্প্ল্যাশে শ্যারন ম্যাকক্যাচনের ছবি

অ্যালগরিদমের প্রথম ধাপটি তার ব্যয়ের অভ্যাসের ভিত্তিতে গ্রাহকের ফিঙ্গারপ্রিন্ট সরবরাহ করে।

এস-তম সাবক্লাসে থাকা সমস্ত পণ্য জুড়ে গ্রাহকের "এম" এর নিখুঁত ব্যয় কেবল পূর্ববর্তী নির্দিষ্ট সময়ের (যেমন গত তিন মাস) ধরে কাঁচা লেনদেনকে একত্রিত করে সহজভাবে পাওয়া যায়।

অন্যান্য সাবক্লাসের তুলনায় প্রতিটি সাবক্লাসে গ্রাহকের আগ্রহের একটি স্ট্যান্ডার্ড পরিমাপের জন্য এই মানটি স্বাভাবিক করা উচিত। সময়কালে তার মোট ব্যয় সি * ₘ = ₘₛ হওয়া, ভগ্নাংশ ব্যয় হ'ল:

এই মানটির এখনও একটি প্রক্রিয়াজাতকরণ প্রয়োজন, যেহেতু সাধারণত ক্রয়কৃত সাবক্লাসগুলি (যেমন জল বা তাজা শাকসবজি) ভগ্নাংশ ব্যয়কে প্রাধান্য দেয়। সমাধানটি সাবক্লাসে পৃথক গ্রাহকের ভগ্নাংশের ব্যয়ের অনুপাতকে অন্য সমস্ত গ্রাহকের উপরে নেওয়া এই সাবক্লাসের গড় মূল্য হিসাবে নিয়ে যায়:

সুতরাং, অবশেষে, প্রতিটি গ্রাহক "এম" এস এন্ট্রিগুলির একটি ভেক্টর সি পান, যেখানে এস-থিম উপাদানটি এস-থ প্রোডাক্ট সাবক্লাসে তার আগ্রহের শক্তি পরিমাপ করে। এটাই গ্রাহকের ফিঙ্গারপ্রিন্ট।

পণ্য ফিঙ্গারপ্রিন্ট

আনস্প্ল্যাশ-এ রেমন্ড রাসমুসনের ছবি

অ্যালগরিদমের দ্বিতীয় ধাপে পণ্যগুলির আঙ্গুলের ছাপ তৈরি করে। নিউরাল নেটওয়ার্কের সন্ধান পাওয়া এম্বেডিংয়ের মূল পার্থক্যটি হ'ল এই ভেক্টরগুলি ডিজাইনের মাধ্যমে ব্যবসায়িক-অর্থপূর্ণ।

গ্রাহকদের হিসাবে, ফলাফল প্রতিটি পণ্য "i" এর জন্য একটি ভেক্টর পি হবে, যেখানে প্রতিটি এন্ট্রি পি ₛⁱ পণ্য "আই" এবং সাবক্লাস "গুলি" এর মধ্যে "সাদৃশ্য" প্রতিফলিত করে। গ্রাহক এবং পণ্যগুলির আঙুলের ছাপগুলি একই মাত্রা হওয়ার কারণ, এটি হ'ল স্ট্যান্ডার্ড সাদৃশ্য ব্যবস্থা (যেমন কোসাইন প্রজেকশন, যা লেখকরা বেছে নিয়েছেন) ব্যবহার করে তুলনা করা সহজ করে তোলে।

এখন আপনি সম্ভবত চিন্তা করছেন "ঠিক আছে, এটি বোধগম্য হয় তবে কীভাবে প্রতিটি পির জন্য সঠিক মান চয়ন করতে হয়?"। কাগজ দ্বারা প্রস্তাবিত সমাধান নিম্নলিখিত:

অ্যালগরিদমের শেষ পদক্ষেপটি এই মানগুলির পিছনে কারণ স্পষ্ট করবে, তবে প্রথমে 'শক্তিশালী সমিতি' শব্দটি একটি ব্যাখ্যা প্রাপ্য।

পণ্য শ্রেণি বা উপশ্রেণীর মধ্যে সম্পর্ক পরিমাপ করতে কাগজটি অ্যাসোসিয়েশন বিধি পদ্ধতি ব্যবহার করে। আরও স্পষ্টভাবে, কেবল সহজ সংযোগগুলি গণনা করা হয় (উভয় দেহে এবং নিয়মের প্রধান উভয়টিতে একটি আইটেম থাকে), যাতে একটি সাবক্লাস এস-কে সাবক্লাস এস-এর সাথে 'দৃ strongly়ভাবে যুক্ত' বলে অভিহিত করা হয় যদি নিয়ম S₁ ⇒ S₂ হয় ' বেশ প্রাসঙ্গিক '।

আবার, একটি ব্যাখ্যা প্রয়োজনীয়: 'ভাল' এবং 'খারাপ' সংঘের মধ্যে কোনও উল্লেখযোগ্য পার্থক্য নেই। কাগজ পড়া আপনি সমর্থন, লিফট এবং আত্মবিশ্বাসের সংমিশ্রণটি পাবেন লেখকদের দ্বারা নির্বাচিত, তবে এটি ক্ষেত্রে নির্ভর করে।

গ্রাহক গোষ্ঠী

মাইক্র স্কিডের ছবি আনস্প্ল্যাশ-এ

অ্যালগরিদমের প্রথম ধাপে তোলা আঙুলের ছাপগুলির জন্য ধন্যবাদ, গ্রাহকদের গোষ্ঠীগুলিতে গোষ্ঠীভুক্ত করা এখন সম্ভব।

লেখকরা জোর দিয়েছিলেন যে এই গোষ্ঠীগুলি পূর্বের ব্যবহৃত ক্লাস্টারগুলির (সুপারিশকারীদের থেকে প্রাপ্ত বিশুদ্ধ জনসংখ্যার তথ্যের উপর ভিত্তি করে) সুপারিশ করার জন্য অনেক বেশি কার্যকর।

প্রকৃতপক্ষে, গ্রাহকদের আঙ্গুলের ছাপগুলির অর্থের জন্য ধন্যবাদ, ফলাফলটি ব্যয়ের অভ্যাসের ক্ষেত্রে কখনও একই ধরণের গ্রাহকদের গ্রুপ হওয়া উচিত, যাইহোক কোন ক্লাস্টারিং অ্যালগরিদম চয়ন করা যায় না।

শীর্ষ পণ্য তালিকা 🧾

আনস্প্ল্যাশ-এ গ্লেন কার্সটেন-পিটারসের ছবি

অ্যালগরিদমের শেষ পদক্ষেপটি হ'ল যা পণ্য তালিকার তুলনায় প্রকৃতপক্ষে আউটপুট দেয় এবং সংক্ষিপ্তসারটি নীচে দেওয়া যেতে পারে:

গ্রাহক অ্যালিসের বিষয়ে বিবেচনা করুন, "ক্লাস্টার 1" তে নির্ধারিত। প্রথমত, এলিসের প্রার্থী পণ্যের একটি তালিকা ক্লাস্টার 1 এর অন্যান্য সদস্যদের মধ্যে সর্বাধিক জনপ্রিয় পণ্যগুলি নিয়ে গঠিত composed

তারপরে, অ্যালিসের ইতিমধ্যে কেনা পণ্যগুলি বাদ দিয়ে তালিকার প্রত্যেকটি পণ্য এলিসের আগ্রহের সাথে (যেমন দুটি আঙুলের ছাপগুলির মধ্যে মিল) এর সাথে তার সখ্যতা অর্জন করে। পি মানগুলি বাছাইয়ের কারণে (অ্যাসোসিয়েশন রুলস ব্যবহার করে), অ্যালিস এমন বিভাগে এমন পণ্যগুলির ফলস্বরূপ হতে পারে যা তিনি আগে কখনও ভাবেননি, এবং এটি হ'ল সুপারিশের কীগুলির মধ্যে একটি।

অবশেষে, কেবল শীর্ষস্থানীয় পণ্যগুলিকেই এলিসকে পরামর্শ দেওয়া হয় এবং প্রয়োজনে আমরা কিছু হিউরিস্টিক্স ব্যবহার করে বন্ধনগুলি ভেঙে ফেলতে পারি (যেমন 'সর্বদা পণ্যটির পক্ষে সর্বাত্মক সীমাবদ্ধতা নিশ্চিত করে')।

চূড়ান্ত চিন্তাভাবনা এবং উন্নতি

আপনারা যেমন খেয়াল করেছেন, এটি আইবিএম গবেষণা বিভাগ দ্বারা প্রস্তাবিত বিশাল কাজের একটি সংক্ষিপ্ত উপস্থাপনা ছিল, তবে আমি আশা করি এটি আপনাকে ধারণাটি উপলব্ধি করতে দেয়।

কোয়ান্টিয়ায়, আমরা এই বেসলাইন থেকে শুরু করে কাস্টম অ্যালগরিদমগুলির প্রস্তাব দিয়েছিলাম, আরও বেশি পরিশ্রুত গ্রাহক ফিঙ্গারপ্রিন্ট এবং বন্ধনগুলি ভেঙে ফেলার জন্য এবং পণ্যটির ফিঙ্গারপ্রিন্টকে প্রসারিত করার জন্য ব্যবসায়-হিউরিস্টিক্সের ব্যবহার দিয়ে।

আমি বিশ্বাস করি এটির ব্যাখ্যাযোগ্যতার কারণে এবং এটি আপনার পছন্দমতো সুর করা যেতে পারে বলেই এটি সত্যই কার্যকর সমাধান হতে পারে।

আমি আশা করি আপনি এটি আকর্ষণীয় পেয়েছেন, তাই আপনি কী মনে করেন তা আমাকে জানান এবং লিংকডিনের সাথে যোগাযোগ করতে নির্দ্বিধায়!