尖端机器学习架构如何将产品推荐转化率提高 71%
您是否曾经想过电子商务商店究竟是如何管理产品推荐的？所有那些熟悉的“人们还购买了”区块都不是手动填写的。它们是由复杂的机器学习算法实时创建的。
多年来，营销人员一直依赖这些算法来增加销售额并改善客户体验。虽然算法不断发展，但机器学习领域最近的一项突破可以实现十年前看似不可能实现的结果。
传统方法的工作原理
让我们更深入地了解老一代产品推荐机器学习算法的工作原理。
基于内容的推荐系统
这些系统会推荐与用户之前互动过的商品类似的商品。它会分析每件商品的属性，并根据用户之前的操作提出建议。属性的示例包括尺寸、颜色、品牌、类型、类别等。例如，某人浏览了 5 款不同的运动鞋。系统会使用这些数据来推荐更多运动鞋选项。
另一个例子是，某人购买了同一品牌的慢跑裤、运动服和运动鞋。由于这三件商品不同，系统无法依赖类别属性。但由于它们都是同一品牌，因此系统可能会推荐该制造商生产的卡车司机帽。
基于内容的推荐如何运作
基于内容的推荐如何运作
与其他方法相比，基于内容的系统相当基础，因为它们无法推荐用户当前兴趣之外的任何内容。然而，它们有其用途。
优点：
不需要其他用户的行为数据。
可以向具有独特或小众品味的用户推荐商品。
可以推荐尚未被其他人评价的新商品。
缺点：
没有考虑用户历史中的复杂关系和序列。
难以推荐缺乏足够描述性特征的商品。
如果用户与有限数量的项目进行交互，可能无法捕捉多样化的兴趣。
协同过滤推荐系统
另一种流行的推荐方法是协同过滤。此方法根据其他用户的偏好推荐相关商品。协同过滤主要分为两个分支：基于用户的和基于商品的。
基于用户的协同过滤模型会找到与我们的目标客户相似的用户，并查看他们的偏好和购买历史。然后系统会推荐类似用户喜欢的商品。
基于商品的协同过滤将重点转移到商品而不是用户身上。它会检查大量的交互数据，根据其他用户之前一起查看或购买的商品来寻找商品之间的联系。然后，它会根据这些商品之间的联系，继续向我们的目标用户推荐类似的商品。
基于物品的过滤与基于内容的推荐有些相似，因为这两种方法都是寻找产品之间的相似性。然而，基于内容的过滤严格依赖于每个物品的内部属性，而基于物品的协同过滤还关注用户如何与物品互动。
基于用户与基于项目的协同过滤
基于用户与基于项目的协同过滤
协同过滤是一种强大的方法，如今被广泛使用是有原因的。
优点：
即使项目元数据最少也能很好地工作。
可以捕捉用户行为中复杂、潜在的模式。
经常会提供更加多样化和出乎意料的建议。
缺点：
处理大型数据集的计算成本非常高。
用户-项目关系数据通常很稀疏，因此很难找到相似之处。
由于缺乏数据（冷启动问题），很难向新用户推荐商品或推荐新商品。
混合推荐系统
混合系统同时使用多种方法来获得更好的结果，同时减轻每种方法的弱点。制作混合系统的最常见方式是基于内容和协同过滤方法的组合。
有几种不同的方法来创建混合系统。例如，系统可以通过不同的方法生成建议，然后将它们合并在一起。另一种方法是根据情况切换方法。
混合推荐系统的表示
混合推荐系统的表示
优点：
可以根据不同的应用环境和用户需求进行定制
可以捕捉更广泛的用户偏好和物品特征。
通过结合方法，混合系统可以提供更准确的建议。
减少单个方法的局限性，例如冷启动问题和数据稀疏性。
缺点：
结合多种方法可能需要更多的计算资源。
有效地平衡和整合不同的方法可能具有挑战性。
实施和维护混合系统比使用单一方法更为复杂。
虽然所有这些方法都可以带来显著的成果，但有一种方法在准确性方面是无与伦比的。
我想了解有关网站推荐的更多信息
安排通话
Transformers——处理推荐的新方法
变形金刚模型（与孩之宝制作的一系列流行动作人物完全无关）改变了人工智能的世界。2017 年，Ashish Vaswani 及其团队在开创性的论文 《注意力就是你所需要的一切》中介绍了变形金刚。
在接下来的几年里，Transformer 成为了现代 AI 技术的基石。2018 年，谷歌推出了 BERT（Transformer 的双向编码器表示）模型，该模型很快成为谷歌搜索引擎的一部分。后来，OpenAI 推出了其对 Transformer 模型的改进，即 GPT-2。
变压器如何工作？
Transformer 擅长处理顺序数据，例如商品浏览量、点击量或购买量。它们可以捕获这些序列中的复杂依赖关系和关系，从而使模型能够理解每次交互的背景和重要性。
整个过程大致可以分为五个步骤：
为各种规模和行业的企业带来了使用黎巴嫩数据的好处。无论 黎巴嫩数据 是确定增长机会，优化营销策略，还是成为更明智的决策者之一，数据驱动决策都可以帮助企业获得更好结果。企业从使用黎巴嫩的数据方面来说，企业可以达到这一目的目标：
输入表示：用户交互和项目特征被转换为嵌入。
嵌入
是以数字字符串表示的数据，用于捕获有关产品、客户 最佳商业书籍其实并不是关于商业的 互动以及创建推荐所需的其他数据的信息。嵌入与数据数组有些相似。但是，数据数组包含人类可以解释的信息（例如 [衬衫，M，白色]），而嵌入中的数据仅对机器学习系统有意义（例如 [0.12，-0.08，0.45，…，-0.34]）。
位置嵌入：这些嵌入被添加到嵌入中以保持交互的顺序。这样，模型不仅知道发生了什么交互，还知道它们发生的顺序。
自注意力机制：这是 transformer 工作原理的一个关键部分。它可以帮助模型专注于序列的关键部分。
自注意力
是机器学习模型中使用的一种技术，可帮助它们理解序列不同部分之间的关系。它分析整个输入并找出其中哪些部分更重要。假设我们有一个产品——iPhone 15 粉色 256 GB。该模型将为“iPhone”和“15”分配更多权重，因为它们比“粉色”或“256 GB”更重要。
Transformer 层：通过考虑整个序列和上下文来细化项目表 列表提供者 示，从而有效地捕获彼此不接近的项目之间的依赖关系。
预测：通过变换层处理输入后，模型利用改进的理解来预测用户交互序列中的下一个项目或对推荐项目进行评分。
该预测可适用于各种任务，例如对项目进行排名或生成个性化推荐列表。
处理序列数据和捕捉用户行为中复杂模式的能力使得基于变换器的模型对于涉及预测序列中的下一个交互的任务特别有效。
基于变压器的推荐的好处
基于 Transformer 的推荐具有许多优势，因此特别适合电子商务企业。让我们更仔细地研究一下。
Transformer 可以做出更准确的预测
这些推荐最明显的好处就是其准确性。用户可以看到更相关、更准确、更好的推荐。这会带来一些积极的结果，例如销售额和点击率的增加以及更好的客户体验。
Transformers 可以按顺序查看整个购买历史记录
使用转换器进行推荐的一大优势是它们能够将整个用户的历史记录视为一个序列。以前的方法不具备这种能力，而是根据每个单独的数据点创建推荐。将它们合并需要某些技术，而这些技术并不总是准确的。
例如，一位顾客购买了三本关于古罗马的不同书籍。一本是一部以罗马帝国为背景的虚构故事。一本是历史书。第三本是罗马皇帝的传记。这三本书的作者都不同。
以前的方法看不到这个主题序列，可能会推荐不同的书籍，例如中世纪国王的传记或古希腊历史书籍。但是，Transformer 模型会看到整个序列，并且可以准确预测客户对罗马相关的书籍感兴趣。
传统方法与变压器模型
传统方法与变压器模型
Transformer 更擅长处理不完整或不一致的数据
对于没有花足够精力清理和维护数据（例如完整和标准化的产品信息）的公司来说，这是一个巨大的福音。
Transformer 可以使用前面提到的自注意力机制来处理混乱或不完整的数据。这使得模型能够查看其拥有的所有数据部分，并找出哪些部分是最重要的，即使缺少一些信息。
这就像拼一块缺少一些碎片的拼图，而变形金刚通过关注重要的部分仍然能够看到全局。
Transformer 实现此目的的另一种方法是了解数据的上下文。例如，如果产品说明中缺少某些细节，模型可以使用其拥有的其他信息来准确猜测缺少的内容。这使得 Transformer 非常灵活，能够处理不同类型的数据，即使数据不完整或组织不完美。
传统方法与变压器模型
传统方法与变压器模型
尽管变压器是一种有效的解决方案，但与其他方法相比，它们具有许多固有的弱点。
它们需要大量资源。运行基于转换器的推荐设置需要大量计算能力和内存。如果您决定建立自己的系统，请准备好对 GPU 和其他服务器基础设施进行大量投资，或者支付云计算服务费用。
他们需要大量数据。虽然转换器可以处理不一致的数据，但它们仍然需要大量数据集才能充分发挥其潜力。对于没有足够客户数据的小型企业，更简单的方法可能更有效。
它们很难开发。创建基于变压器的解决方案需要专业的技术专长。就像每一项尖端技术一样，能够正确使用变压器的专家远远不够。对于大多数公司来说，为此创建自己的内部解决方案是不可行的。
我想在我的网站上使用推荐功能
现在就尝试一下！
Yespo 中基于变压器的推荐系统是如何运作的
正如您所见，Transformer 确实是创建产品推荐的强大方法。之前，我们使用了基于协同过滤和其他方法的混合方法。
然而，在 Yespo，我们看到了变压器的潜力，这就是为什么我们决定使用这种架构推出我们自己的解决方案。
2024 年 5 月和 6 月期间，我们为 Yespo CDP 的几位客户测试了改进的产品推荐。然后将结果与 1 月和 2 月的结果进行了比较。
我们确定了三个主要评估指标：
点击率 (CTR )——与基线期相比，改进的建议的点击量。
转化率——与基线期相比，从推荐区块购买商品的用户数量。
订单份额——来自推荐区块的订单量与网站整体销售额的比例。
第聂伯罗
Dnipro-M是一家建筑工具制造商和销售商。其乌克兰市场份额达到 30%。该公司还在捷克共和国、波兰和摩尔多瓦等几个东欧国家设有代表处。
测试期间取得了以下成果：
Yakaboo 网站上的推荐
Yakaboo 网站上的推荐
结论
Transformer 是一款功能强大的工具，如果正确实施，可以为个性化产品推荐提供出色的效果。独自完成这项工作是一项艰巨的任务，但幸运的是，Yespo 已经为您完成了所有繁重的工作。
如果您有兴趣在您的业务中尝试由变压器驱动的建议，请填写下面的表格，我们将与您联系以讨论细节！
