Anbefalingsalgoritmer er matematiske formler som gjør det mulig å tilby personlig tilpasset innhold eller produkter til brukere av et nettsted eller en applikasjon . De brukes av mange digitale aktører, for eksempel e-handelssider, nettmedier, strømmetjenester eller sosiale nettverk. I denne artikkelen vil vi forklare deg hvordan disse algoritmene fungerer i praksis og hva er fordelene deres?
Hva er en anbefalingsalgoritme og hvordan fungerer den?
En anbefalingsalgoritme er et dataprogram designet for å analysere brukerdata (som deres nettleserhistorikk, preferanser, kjøp osv.) og sammenligne det med egenskapene til tilgjengelig innhold eller produkter (som pris, farge, kjønn osv.). Den bruker deretter matematiske teknikker for å beregne en relevanspoengsum for hvert innhold eller produkt og rangere dem i synkende rekkefølge. mest relevante innholdet eller til brukerne, i form av forslag, lister, bannere osv.
Hvis du for eksempel ser på videoer på YouTube , vil anbefalingsalgoritmen analysere videoene du har sett, likt eller kommentert, så vel som videoene til andre brukere med lignende smak som din. Den vil da foreslå videoer som kan interessere deg, basert på deres popularitet, tema, varighet osv.
Hva er hovedtypene for anbefalingsalgoritmer?
Det finnes flere typer anbefalingsalgoritmer , avhengig av hvordan de bruker data. De viktigste er:
Samarbeidsfiltrering
Den er basert på brukerinteraksjoner med innhold eller produkter (som vurderinger, anmeldelser, klikk osv.). Den søker å identifisere brukere med lignende smak og tilby dem innhold eller produkter de likte. Hvis du for eksempel kjøper en bok på Amazon , vil samarbeidsfiltreringsalgoritmen foreslå andre bøker kjøpt av folk som har kjøpt samme bok som deg.
Innholdsbasert filtrering
Det er basert på egenskapene til innholdet eller produktene (som pris, farge, sjanger osv.). Den søker å identifisere innhold eller produkter som ligner på de som brukeren likte eller søkte etter. Hvis du for eksempel hører på en sang på Spotify, vil den innholdsbaserte algoritmen foreslå andre sanger fra samme artist, sjanger eller stil.
Matrisefaktorisering
Det er en matematisk teknikk som lar deg redusere dimensjonaliteten til data og finne skjulte forhold mellom brukere og innhold eller produkter. Den søker å forutsi vurderingen som en bruker vil gi til innhold eller et produkt som de ennå ikke har sett eller kjøpt. Hvis du for eksempel ser en film på Netflix, matrisefaktoriseringsalgoritmen anslå hvordan du liker filmen basert på dine tidligere vurderinger og andre brukeres vurderinger.
Se også: Dekryptering av RNG: alt du trenger å vite om Random Number Generator!
Sammenligningstabell over hovedtyper av anbefalingsalgoritmer
| Algoritmetype | fordeler | Ulemper |
| Samarbeidsfiltrering | Lar deg oppdage innhold eller produkter som er verdsatt av andre brukere med lignende smak | Krever mye data for å være effektive, kan være utsatt for skjevhet eller manipulasjon |
| Innholdsbasert filtrering | Lar deg oppdage innhold eller produkter som ligner på de som brukeren likte eller søkte etter | Kan være begrenset av kvalitet og kvantitet av tilgjengelige funksjoner, kan mangle mangfold |
| Matrisefaktorisering | Lar deg forutsi vurderingen en bruker vil gi til innhold eller et produkt som de ennå ikke har sett eller kjøpt | Kan være komplisert å implementere og tolke, kan kreve mange beregningsressurser |
Hva er fordelene med anbefalingsalgoritmer?
Anbefalingsalgoritmer har flere fordeler for brukere og for nettsteder eller applikasjoner som bruker dem:
For brukere :
- De legger til rette for å finne innhold eller produkter tilpasset deres behov og ønsker.
- De forbedrer brukeropplevelsen ved å gjøre navigasjonen jevnere og mer personlig.
- De øker brukertilfredshet og lojalitet
For nettsteder eller apper:
- De øker trafikk, tidsbruk, konverteringsfrekvens og inntekter.
- De bidrar til å bygge brukerlojalitet ved å tilby dem personlig, kvalitetsservice.
- De gjør det mulig å administrere et økende datavolum som er umulig å behandle manuelt.
- De lar deg skille deg fra konkurrentene ved å tilby merverdi.
Hva er ulempene eller begrensningene ved anbefalingsalgoritmer?
Anbefalingsalgoritmer er ikke perfekte og kan ha visse ulemper eller begrensninger :
- Kaldstartproblemet:
Det vises når det ikke er tilstrekkelig eller ingen data til å gi relevante anbefalinger . Dette kan gjelde nye brukere, nytt innhold eller nye produkter. Hvis du for eksempel registrerer deg på en e-handelsside, anbefalingsalgoritmen kunne tilby deg produkter som passer din smak før den har samlet inn nok informasjon om deg.
Problemet med mangfold:
Det oppstår når anbefalingsalgoritmer tilbyr innhold eller produkter som er for like hverandre eller for nær brukerens preferanser. Dette kan redusere oppdagelsen av nytt innhold eller produkter og låse brukeren i en filterboble . Hvis du for eksempel ser på videoer på YouTube, kan anbefalingsalgoritmen bare foreslå videoer av samme sjanger eller synspunkt som de du allerede har sett.
- Problemet med åpenhet:
Det oppstår når brukere ikke forstår hvorfor de mottar visse anbefalinger eller hvordan de kan endre dem. Dette kan påvirke brukertilliten og aksept av anbefalingsalgoritmer. Hvis du for eksempel mottar en annonse på Facebook , kan du klikke på " Hvorfor denne annonsen?" " for å finne ut årsakene som førte til sendingen.
Og faktisk kan denne artikkelen hjelpe deg: Veiledning for blokkering av uventede annonser på Android og IOS!
Hvordan forbedre anbefalingsalgoritmer?
Anbefalingsalgoritmer er i stadig utvikling og er gjenstand for en rekke forskning og innovasjoner. Her er noen måter å forbedre dem på hvis du ønsker det:
- Kombiner flere typer anbefalingsalgoritmer for å dra nytte av fordelene til hver og kompensere for deres svakheter. For eksempel ved å bruke både samarbeidsfiltrering og innholdsbasert filtrering for å gi varierte og personlig tilpassede anbefalinger.
- Bruk tilleggsdata for å berike anbefalingsalgoritmer og avgrense deres relevans. For eksempel bruk av kontekstuelle data (som plassering, tid, klima osv.), sosiale data (som relasjoner, interaksjoner, påvirkninger osv.) eller semantiske data (som mening, mening, kategorisering osv.).
- Involver brukere i anbefalingsprosessen ved å gi dem muligheten til å gi tilbakemelding, endre preferanser, kontrollere personvernet deres eller utforske andre alternativer. For eksempel å la dem vurdere, kommentere, dele eller ignorere anbefalingene de mottar.
Konklusjon
Avslutningsvis er anbefalingsalgoritmer kraftige verktøy for å tilpasse tilbud til etterspørsel . Imidlertid utgjør de også risikoer og begrensninger, som mangel på åpenhet, skjevhet, innesperring i filterbobler eller manipulasjon. For å møte disse risikoene og grensene er det nødvendig å regulere anbefalingsalgoritmer og garantere deres etikk, åpenhet og mangfold. Vi må også gjøre brukerne oppmerksomme på problemene og effektene av algoritmer på deres valg og meninger . De må gis muligheten til å kontrollere og endre personaliseringsinnstillinger, rapportere upassende eller skadelig innhold og diversifisere informasjonskildene sine.
