Как мы используем машинное обучение для рекомендации комплектующих в компьютерном интернет-магазине

МЕНЮ


Искусственный интеллект
Поиск
Регистрация на сайте
Помощь проекту

ТЕМЫ


Новости ИИРазработка ИИВнедрение ИИРабота разума и сознаниеМодель мозгаРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информацииМатематикаЦифровая экономика

Авторизация



RSS


RSS новости


Вы когда-нибудь часами смотрели на каталог магазина, настолько большой, что не могли даже дотянуться до конца? Вы когда-нибудь думали: “кто покупает эти вещи?” когда смотришь на совершенно одинаковык с виду графические ускорители?

Вы когда-нибудь попадали в затруднения от того, как подобрать только несколько увещей, которые вам действительно понадобяться?

Со мной это происходит постоянно. Это происходит все время и с посетителями вашего интернет-магазина, особенно в части подбора специализированных устройств. Вроде графических ускорителей или других устройств используемых для увеличения производительности компьютеров которые можно преобрести в нашем интернет-магазине компьютеров computers.shop.  Мы хотим облегчить им жизнь.

Рекомендательные системы

Рекомендательные системы использовались веками. Подумайте о Netflix, подумайте об Amazon, подумайте почти о каждом веб-сайте, который продает вещи. Существует даже научная конференция под названием RecSys, которая охватывает только доклады в области рекомендательных систем. Идея рекомендательных систем заключается в том, чтобы понять, каковы предпочтения пользователя, и рекомендовать что-то релевантное. Для этого нам нужно иметь информацию о пользователе, а также информацию о том, что ему нравится (т. е. купил или оценил).

Это очень сложная проблема в целом, и очень трудно оценить систему, которая пытается ее решить, поскольку предпочтения чрезвычайно индивидуальны. Некоторые проблемы, о которых исследователи очень хорошо осведомлены, заключаются в следующем:

Если кто-то не купил или не оценил что-то, это не значит, что ему это не нравится;

Количество устройств, которые оцениваются / были куплены пользователями, действительно очень мало по отношению к количеству предметов и пользователей в системе. В терминах RecSys, " матрица элементов пользователя разрежена”;

Если пользователь новичок, у нас нет никакого способа узнать, что ему нравится (она же проблема холодного запуска).

Существует два основных потока рекомендательных систем: контент-ориентированная и коллаборативная фильтрация. Давайте объясним, чем они отличаются друг от друга, используя в качестве примера старый хороший рейтинг Netflix five star.

Контент-ориентированный

Алиса оценила “сумасшедшую глупую любовь" на пять звезд (даже не заставляйте меня это смотреть). Система рекомендаций рассматривает “содержание" продукта и рекомендует продукты, которые имеют аналогичное содержание. “Сумасшедшая глупая любовь" классифицируется как романтическая комедия, и Райан Гослинг играет в ней главную роль. Алисе рекомендуют “записную книжку", которая также является романтической комедией, и в ней есть Райан Гослинг.

Коллаборативная фильтрация

Алиса оценила “сумасшедшую глупую любовь“ с пятью звездами и ”Записную книжку", которую она только что смотрела и оценила пятью звездами. Таня, которая немного более разумна, чем Алиса, оценила “сумасшедшую глупую любовь" четырьмя звездами (все еще слишком высоко Таня!). Она также оценила “Записную книжку“  пятью звездами и ”Начало" пятью звездами. Система рекомендаций смотрит на рейтинги Алисы и Тани и решает, что они похожи. Алиса никогда не смотрела “Начало" (правда?), поэтому рекомендательная система рекомендует ее ей. Алиса с удивлением обнаруживает, что, хотя это не ее обычный жанр, но “Начало” ей понравилось.

Часто методы на основе контента и коллаборативной фильтрации используются в сочетании; на самом деле, методы на основе контента полезны, если у нас нет большого количества информации о пользователях, в то время как коллаборативная фильтрация полезна для рекомендации продуктов, которые не обязательно похожи на то, что пользователю нравилось в прошлом, но все еще могут быть актуальными и предлагать ощущение серендипности (например, “Начало” для нашей Алисы). В таком случае речь идет о гибридных системах.

А теперь вернемся к компьютерным комплектующим.

Когда речь заходит о рекомендациях по покупке компьютера, мы сталкиваемся с еще одной проблемой:

Если покупатель не системный администратор, то он обновляет свой компьютер только один или два раза за несколько лет, вероятно, покупая устройства в разных интернет-магазинах. Это означает, что у нас нет истории того, что может подойти покупателю.

В нашем интернет-магазине мы стараемся рекомендовать нашим пользователям соответствующие продукты, но если у нас нет никакой информации о том, что может подойти пользователям, как мы можем это сделать?

Такого рода проблемы также изучались, хотя и менее распространены, чем рекомендации фильмов. Есть экспоненциально сложные вещи, которые можно сделать, но давайте начнем с простого. В нашей ситуации довольно сложно использовать коллаборативную фильтрацию напрямую, так как история покупок ограничена, так что остаются методы, основанные на контенте.

Какой контент мы смотрим, если у нас до сих пор нет истории того, что подходит пользователю? Здесь мы должны проявить немного изобретательности. Ну, мы например можем спросить. Мы спрашиваем пользователя, что ему нужно. Непосредственно. В частности, мы просим их дать нам образ того, что они пытаются подобрать и для каких целей. И тогда мы используем визуальный поиск.

Как мы это делаем

Если пользователь ищет конкретное устройство для своего компьютера, вполне вероятно, что он его где-то видел. Также вполне вероятно, что у них есть фотография материнской платы, если они действительно серьезно относятся к обновлению своего компьютера. Поэтому мы просим пользователя загрузить изображение фотографии материнской платы, и возвращаем устройства из нашего каталога, которые подходят для е усовершенствования.

Наша система основана на визуальном сходстве и работает следующим образом:

Автономная стадия

Во время нашего автономного этапа мы обучаем глубокую сеть, которая была обучена задаче классификации (лучше, если она точно настроена на изображениях компьютерных комплектующих и материнских плат), мы  вычисляем для каждого элемента в нашем каталоге его возможное окружение. Затем мы сохраняем все вложения в базе данных, которые мы можем легко запросить.

Онлайн-сцена

Каждый раз, когда загружается новое изображение, мы передаем его в ту же самую глубокую сеть, используемую в автономном режиме, и ищем наиболее похожие изображения в нашей базе данных. Затем мы возвращаем три или четыре элемента, которые соответствуют наиболее похожим изображениям!

 

 

Обзор нашей системы

Вот несколько примеров того, что мы рекомендуем:

 

 

Результаты для совместимых комплектующих

В первом случае в нашу систему подается материнская плата. Наш рекомендательный движок возвращает несколько комплектующих, которые наиболее популярны для ее апгрейда.

Как вы можете видеть, первые два возвращенные устройства имеют полную совместимость с указанной материнской платой. Третья устройство, несмотря на похожий вид, не совместимо.

Вывод

В этом блоге мы описали один из многих способов, которыми мы используем компьютерное зрение и машинное обучение, чтобы рекомендовать продукты для апгрейда компьютеров на основе изображения материнской платы. В нашей области рекомендовать продукты очень сложно, потому что, как правило, у нас нет доступа к истории покупок большинства клиентов, (а сами они не обладают достаточной квалификацией), чтобы сделать вывод об их предпочтениях и потребностях. Поэтому в этой предварительной работе мы просто просим наших пользователей загрузить изображение того, что они хотят усовершенствовать, и рекомендуем подходящие для этого устройства и расширения. Мы изучаем множество других интересных методов для улучшения рекомендаций в нашем интернет-магазине.

Комментарии: