Al emitir avisos y predecir eventos, la inteligencia artificial forma sistemas de recomendación para la rotación de bienes y servicios que se adecuan a las solicitudes de los usuarios, enfocándose en sus preferencias. Según la idea, este proceso debería ocurrir casi instantáneamente: la distribución de productos por categorías, la creación automática de un pool de productos relacionados a partir de la fila asociativa y la manipulación de la gran fecha. Pero en realidad, la inteligencia artificial no se mantiene al día con los cambios en las preferencias de los usuarios y, a menudo, simplemente comete errores al clasificar los productos en función de solicitudes anteriores. Como resultado, los mercados ofrecen a los hombres adultos conjuntos de ropa para muñecas que, una vez usando su tarjeta, fueron encargadas por una hija de colegiala, y los niños reciben "como regalo" nuevas marcas de aceite para máquinas y suscripciones a seminarios de negocios.
Golpear al cliente
A menudo, los sistemas generan recomendaciones erróneas o irrelevantes, y en grandes cantidades, utilizando un algoritmo que no resiste el engaño y la piratería. Así, las tiendas online se enfrentan al problema de la escasa eficiencia de las recomendaciones generadas.
Para evitar que esto suceda, los creadores de redes neuronales deben resolver el problema de identificar con precisión las tendencias de los cambios y las preferencias del usuario. Es decir, los motores de recomendación deben aprender a predecir no solo la reacción a la oferta de un producto o servicio, sino también ofrecer opciones similares o alternativas (dependiendo de la reacción del usuario).
En el comercio electrónico, los sistemas de recomendación de expertos, de contenido y de colaboración que funcionan por separado pueden fallar y se debe crear un híbrido. Un algoritmo de recomendación híbrido flexible combinará datos de múltiples canales a lo largo del tiempo. En ellos se pueden aplicar técnicas ponderadas, aumentadas, mixtas y aleatorias al mismo tiempo.
El algoritmo de filtrado colaborativo se ve así. Dada una matriz de preferencias y la capacidad de determinar la similitud utilizando una medida de coseno, deberá seleccionar el número de usuarios con gustos similares. Calcule la medida del coseno para cada usuario, multiplique sus calificaciones por la medida resultante y calcule la suma de las calificaciones calibradas para cada producto. La fórmula del algoritmo se ve así.
La función de simulación es una medida de la similitud de dos usuarios.
U — .
r — .
k — , :
rec = makeRecommendation (‘ , (), , ).
, , , , . – . , «» , . , – . , , .
, . 5%, 12%. , , . , , . , , , .
, . , . , , , .
, , . , . , . json.
, , , «» . .
, . «» , - , .
, , , - , , , . , , – - . , , .