Dengan mengeluarkan prompt dan memprediksi peristiwa, kecerdasan buatan membentuk sistem rekomendasi untuk rotasi barang dan jasa yang memadai untuk permintaan pengguna, dengan fokus pada preferensi mereka. Menurut idenya, proses ini harus terjadi hampir seketika: distribusi produk berdasarkan kategori, pembuatan otomatis kumpulan produk terkait berdasarkan baris asosiatif dan manipulasi tanggal besar. Namun pada kenyataannya, kecerdasan buatan tidak mengikuti perubahan preferensi pengguna, dan seringkali hanya membuat kesalahan saat memeringkat produk berdasarkan permintaan sebelumnya. Akibatnya, pasar menawarkan set pakaian boneka untuk pria dewasa, yang, setelah menggunakan kartunya, dipesan oleh seorang putri sekolah, dan anak-anak diberi "sebagai hadiah" merek oli mesin baru dan langganan seminar bisnis.
Memukul klien
Seringkali, sistem menghasilkan rekomendasi yang salah atau tidak relevan, dan dalam jumlah besar, menggunakan algoritme yang tidak menolak kecurangan dan peretasan. Dengan demikian, toko online dihadapkan pada masalah efisiensi yang buruk dari rekomendasi yang dihasilkan.
Untuk mencegah hal ini terjadi, pembuat jaringan saraf perlu memecahkan masalah mengidentifikasi tren secara akurat untuk perubahan dan preferensi pengguna. Artinya, mesin rekomendasi harus belajar memprediksi tidak hanya reaksi terhadap penawaran produk atau layanan, tetapi juga menawarkan opsi serupa atau alternatif (tergantung reaksi pengguna).
Dalam e-commerce, sistem kolaboratif yang berfungsi secara terpisah, konten, dan sistem pemberi rekomendasi ahli dapat gagal, dan hibrida harus dibuat. Algoritme rekomendasi hibrid yang fleksibel akan menggabungkan data dari beberapa saluran dari waktu ke waktu. Teknik pembobotan, penambahan, campuran, dan acak dapat diterapkan di dalamnya secara bersamaan.
Algoritma penyaringan kolaboratif terlihat seperti ini. Mengingat matriks preferensi dan kemampuan untuk menentukan kesamaan menggunakan ukuran kosinus, Anda perlu memilih jumlah pengguna dengan selera yang sama. Hitung ukuran kosinus untuk setiap pengguna, kalikan peringkat mereka dengan ukuran yang dihasilkan, dan hitung jumlah peringkat yang dikalibrasi untuk setiap produk. Rumus algoritma terlihat seperti ini.
Fungsi sim adalah ukuran kesamaan dua pengguna.
U — .
r — .
k — , :
rec = makeRecommendation (‘ , (), , ).
, , , , . – . , «» , . , – . , , .
, . 5%, 12%. , , . , , . , , , .
, . , . , , , .
, , . , . , . json.
, , , «» . .
, . «» , - , .
, , , - , , , . , , – - . , , .