Опубликовано От Владимир Алексеевич

Системы рекомендаций по выбору товаров в онлайн-магазины

Системы рекомендаций рекомендуют клиентам продукты, которые, по их мнению, будут заинтересованы в покупке. Они отличаются от предлагаемой нами системы, поскольку не поддерживают клиента в самом процессе поиска; они просто дают предложения. Основными технологиями в системах рекомендаций, которые обычно используются для решения проблемы поиска подходящего продукта для клиента, являются поиск информации и совместная фильтрация (Aggrawal et al. 1999, Chen et al. 1998, Goffinet et al. 1995, Good et al. 1999, Herlocker et al. 2000, Sarwar et al. 2000, Shardanand et al. 1995). Наша система не является системой рекомендаций. Мы помогаем клиенту, пока он занимается фактическим поиском товаров.

Kitts и соавт. (2000) разработали систему рекомендаций, которая использует вероятности, вытекающие из интересов «родственных душ» клиента (соседей), где соседи формируются, используя только профиль истории клиента. При вычислении вероятностей они действуют исходя из условной независимости прошлого поведения потребителя. Как Kitts и др. (2000), мы также используем интересы соседей клиента. Однако в нашей системе мы не предполагаем условной независимости, а также поддерживаем двух разных соседей для клиента, а не только одного: один основан на истории клиента, а другой — на его демографическом профиле и профиле предпочтений.

Shardanand и Maes (1995) разработали систему Ringo, в которой они использовали основанный на истории профиль клиента и основанный на истории район. Однако их система представляет собой систему рекомендаций, а не управляемую поисковую систему, и поэтому они отличаются от нашей системы.

Pazzani и Billsus (2002) предлагают использовать адаптивные агенты веб-сайта, чтобы уловить намерение пользователя По сути, они используют историю пользователя, шаблоны доступа других посетителей и сходство документов, чтобы помочь пользователю в навигации по веб-сайту. В нашей системе мы также следуем той же интуиции. В то время как Pazzani and Billsus (2002) персонализируют и адаптируют веб-сайт к пользователю, мы персонализируем и адаптируем поиск к текущему пользователю. Pazzani и Billsus (2002) принимают во внимание историю пользователя, историю других пользователей и сходство документов. Однако мы используем историю пользователей, историю других пользователей, которые похожи на текущего пользователя (а не историю всех пользователей), а также другие факторы, такие как предпочтения пользователя. Поскольку мы используем поисковую систему, мы также учитываем ключевые слова, которые предоставляет пользователь, и используем все эти элементы в процессе персонализации.

McGinty и Smyth (2002) также пытаются уловить намерения пользователя. Они делают это, используя рекомендации, основанные на сравнении. В этом методе пользователь делает запрос, затем просматривает рекомендацию и выбирает вариант предпочтения в качестве обратной связи. Информация о разнице между выбранным случаем и оставшимися альтернативами используется для пересмотра запроса для следующего цикла. Хотя система пытается помочь пользователю, пока он занимается поиском, она все же отличается от нашей системы. В отличие от нашей системы, эта система не сохраняет профиль клиента. Таким образом, клиент должен всегда начинать поиск с одной и той же начальной точки. Его история и профили предпочтений не сохраняются, и поэтому система полагается только на первоначальный запрос и обратную связь, полученную на каждой итерации.

Кроме того, все системы, которые используют методы персонализации и которые были описаны выше, как правило, не объединяют разные методы персонализации. Мы интегрируем методы поиска информации и совместной фильтрации и применяем профиль пользователя, который состоит из демографического профиля, профиля предпочтений и профиля истории.

Еще один способ помочь клиентам — предоставить поисковым системам для поиска необходимых продуктов. Большинство поисковых систем предоставляют простой интерфейс для поиска по ключевым словам или поиска по сайту. Наша система позволяет оба.

При поиске по ключевым словам клиент предоставляет системе ключевые слова, а система, в свою очередь, предоставляет клиенту список продуктов, которые лучше всего соответствуют его ключевым словам. Выбор соответствующих продуктов осуществляется с использованием меры сходства. Наиболее эффективный метод поиска по ключевым словам был установлен как обратная частота документа, умноженная на частоту термина (IDF * TF) (Goffinet et al. 1995), т. Е. Обратное число вхождений ключевого слова во всей коллекции. документы, умноженные на количество появлений ключевого слова в документе. В интернет-магазинах большинство магазинов извлекают все документы или используют поиск по таблице для популярных ключевых слов. Другой способ помочь пользователю в его поиске — попытаться улучшить его запрос, добавляя, удаляя и заменяя ключевые слова пользователя новыми (Brin et al. 1998, Chen et al. 1998, Goffinet et al. 1995). Этот подход неприменим в поисковом запросе, поскольку в поисковом запросе нет запросов. Более того, в области интернет-магазинов в целом и, в частности, в области автозапчастей, мало места для маневрирования для идентификации дополнительных ключевых слов, помимо тех, которые предоставлены клиентом. Таким образом, мы не считаем, что применение сложных алгоритмов к запросу было бы очень полезно.

Другой метод, предложенный Limthanmaphon et al. (2002) — Рассуждение на основе случая (CBR). Они утверждают, что методы CBR используются для повторного использования ранее успешного опыта переговоров и для извлечения соответствующего продукта из базы данных. Они предлагают взять запрос пользователя, который состоит из нескольких атрибутов и предпочтений в отношении желаемого продукта, и использовать CBR для поиска требуемого продукта, возможно, после изменения запроса. После того как запрос найден, его модификации и результат сохраняются и используются в будущих поисках пользователя. По сути, наша система также использует некоторые манипуляции с историей покупок клиента. Однако мы не модифицируем запрос клиента. Кроме того, запрос клиента в нашем случае отличается от запроса клиента в (Limthanmaphon et al. 2002). В Limthanmaphon et al. (2002) запрос клиента содержит также предпочтения клиента относительно желаемого продукта. В нашей системе запрос содержит только ключевое слово, связанное с элементом. Предпочтения относительно продуктов сохраняются в демографическом и потребительском профиле клиента. Мы также используем эти предпочтения при поиске товаров. Кроме того, хотя наши алгоритмы также применимы к поисковому просмотру, кажется, очень сложно использовать методы CBR в поисковом поиске.

Просмотр позволяет клиенту искать продукт, используя категории. Клиент начинает с категории высшего уровня и продолжает исследовать новые подкатегории, пока не найдет нужный продукт. Одним из преимуществ этого вида поиска является то, что он позволяет клиенту получать информацию о возможных продуктах во время поиска. Другим преимуществом является сокращение объема, то есть сокращение ассортимента товаров, представляющих интерес для покупателя.

В задаче просмотра предполагается, что клиент имеет неполные, несовершенные знания о содержании и его организации. Из-за этого процесс просмотра является в основном неопределенным и повторяющимся (Holte et al. 1994). Просмотр позволяет клиенту искать продукт, даже не зная ни одного ключевого слова, чтобы помочь в его поиске.

Большинство современных систем просмотра, таких как Yahoo! (http://www.yahoo.com) и Amazon (http://www.amazon.com), не персонализируют процесс просмотра. Holte и Drummond (1994) описывают подход, помогающий пользователям во время просмотра библиотеки программного обеспечения. Они пытаются определить намерение клиента во время его просмотра, чтобы ограничить затрачиваемое время и помочь выполнить успешный поиск, используя прошлую историю пользователя, а затем предлагая другие страницы, которые могут его заинтересовать. Наша система пытается определить намерение клиента используя комбинацию алгоритмов, а не только один алгоритм.

В нашей системе используется механизм, аналогичный Henry Lieberman’s Letizia (1995). Система Letizia отслеживает поведение пользователя, обрабатывает его и использует некоторую эвристику. Затем отображаются рекомендации. Как и в случае с Letizia (1995), мы также используем профиль истории пользователей. Тем не менее, просмотр в интернет-магазине отличается от просмотра в Интернете. В интернет-магазине существует тесная связь между ссылками пользователя, в то время как при просмотре веб-страниц связь между посещаемыми страницами гораздо менее тесная. Просмотр в Интернете может дать только ограниченное представление о намерениях пользователя. Это связано с тем, что пользователь обычно выполняет поиск на многочисленных сайтах, и большинство из них не имеют конкретных отношений между ними. В противоположность этому, просмотр в конкретном интернет-магазине может использоваться для более быстрой и точной оценки намерений пользователя, поскольку основное внимание уделяется только определенному ограниченному домену. Таким образом, наши алгоритмы могут быть более легко настроены и настроены для конкретной области.

Использованные источники

  1. Aggrawal C C, Wolf J L, Wu K and Yu P S (1999) Horting Hatches an Egg: A New Graph- Theoretic Approach to Collaborative Filtering. In: Proceedings of ACM Knowledge Discovery and Data Mining (KDD-99), pp. 201-212.
  2. Andersen’s Internet Survey conducted between May 1, 2001 and May 6, 2001, and based on responses from 1,317 online users. Online User Shopping Habits Survey 9 (2001). andersen.com/website.nsf/ content/ MarketOfferingseBusinessResourcesOnline UserPanelShoppingExperience (visited November, 2002).
  3. Bellman S, Lohse G L and Johnson E J (1999) Predictors of Online Buying. Findings from the Wharton Virtual Test Market. Communications of the ACM, 42(12):32-38.
  4. Brin S and Page L (1998) The Anatomy of a Large-Scale Hypertextual Web Search Engine. Computer Networks and ISDN Systems, 30(1-7):107-117.
  5. CARAVAN Survey conducted in August 2001, and based on responses from 1,003 adults (2001) nclnet.org/shoppingonline/shoppingsurvey.htm  (visited  November, 2002).
  6. Chen L and Sycara K (1998) WebMate: A Personal Agent for Browsing and Searching. In: Proceedings of the Second International Conference on Autonomous Agents (Agents’98), pp. 132-139.
  7. Goffinet L and Noirhomme-Fraiture M (1995) Automatic Hypertext Link Generation based on Similarity Measures between Documents. Research Paper, RP-96-034, Institut d’Informatique, FUNDP. Available at fundp.ac.be/~lgoffine/ Hypertext/semantic_links.html (visited November, 2002).
  8. Good N, Schafer J B, Konstan J A, Borchers A, Sarwar B, Herlocker J and Riedl J (1999) Combining Collaborative Filtering with Personal Agents for Better Recommendations. In: Proceedings of AAAI-99, pp. 439-446.
  9. Herlocker JL, Konstan J A, Riedl J (2000) Explaining Collaborative Filtering Recommendations. In: Proceedings of the ACM 2000 Conference on Computer Supported Cooperative Work, pp. 241-250.
  10. Holte R C and Drummond C (1994) A learning apprentice for browsing. In: Working Notes of the AAAI Spring Symposium on Software Agents, pp. 37-42.
  11. Kitts B, Freed D and Vrieze M (2000) Cross-Sell: A Fast Promotion-Tunable Customer-item Recommendation Method Based on Conditionally Independent Probabilities. In: Proceeding of the ACM SIGKDD International Conference, pp. 437-446.
  12. Lieberman H (1995) Letizia: An Agent that Assists Web Browsing. In: Proceedings of the Fourteenth International Joint Conference on Artificial Intelligence (IJCAI-95), pp. 924-929.
  13. Limthanmaphon B, Zhang Z and Zhang Y (2002) Querying and Negotiating Structured E- Commerce Activities. Fourth Agent Mediated Electronic Commerce Workshop.
  14. Lin R (2002) Attaining Fast and Successful Search in E-Commerce Environments. A Master’s Thesis, Bar-Ilan University.
  15. Lohse G L and Spiller P (1998) Electronic Shopping: The Effect of Customer Interfaces on Traffic and Sales. Communications of the ACM, 41(7): 81-87.
  16. McGinty L and Smyth B (2002) Deep Dialogue vs. Casual Conversation in Recommender Systems. In: Proceedings of the Second International Conference on Adaptive Hypermedia and Web-Based Systems (AH-2002), pp. 80-89.

OSGS — A Personalized Online Store for E-Commerce Environments
Raz Lin, Sarit Kraus, Jeffrey Tew

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *