品目 – 品目協調フィルタリング
アルゴリズムは次のとおりです。
- People Who Viewed This, Viewed That
- People Who Viewed This, Bought That
- People Who Bought This, Bought That
アイテム アイテム協調フィルタリングの推奨アルゴリズムは、多くのユーザーの行動パターン (協調)を使用して、特定のアイテムに対して役に立つ推奨を提供する(例えば、推奨する可能性のあるアイテムのカタログをフィルタリングする)必要があるという考えに基づいています。 協調フィルタリングの一般的な傘下に分類されるアルゴリズムは多数ありますが、これらのアルゴリズムは一般的に、行動データソースを入力として使用します。 Target Recommendations では、これらの入力は、ユーザーによる項目のユニークな閲覧と購入です。
「このアイテムを閲覧/購入したユーザーもこれらのアイテムを閲覧/購入したユーザー」アルゴリズムの場合、目標はアイテムのすべてのペア間の類似性(A、B)を計算することです。 特定の項目 A について、上位のレコメンデーションが類似性の高い順に並べられます(A、B)。
そのような類似性の例の 1 つは、項目間の共起です。両方の項目を購入したユーザーの数の単純な数。 直感的ですが、そのような指標は、人気のあるアイテムを推奨することに偏っているという点で素朴です。 例えば、食料品店でパンを購入する人が多い場合、パンはすべての商品との共生が多いですが、必ずしもそれがよいレコメンデーションではありません。 代わりに Target ログ尤度比(LLR)と呼ばれる、より洗練された類似性指標を使用します。 A と B の 2 つのアイテムが共起する確率と共起しない確率が大きく異なる場合、この量は大きくなります。 具体性のために、People Who Viewed This, Bought That アルゴリズムのケースを考えてみましょう。 B が購入された確率が誰かが A を見たかどうかとは無関係に ない 場合、LLR の類似性は大きくなります。
例えば、
このログ尤度比の類似性計算の詳細については、 このPDFでは説明しています。
実際のアルゴリズム実装の論理フローを、次の回路図に示します。
これらの手順の詳細は次のとおりです。
-
入力データ:Target を実装または Adobe Analytics から収集した訪問者のビューおよび購入の形式の行動データ。
-
モデルトレーニング:
- データクレンジングとサンプリング:N 日のルックバックを持つアルゴリズムの場合、行動データはまず、その N 日のデータのみを含めるようにフィルタリングされます。 次に、コレクションルールとグローバル除外を適用して、推奨すべきでない項目を削除します。 最後に、1,000 項目を超える項目を操作した訪問者の使用状況データは 1,000 項目のみにサンプリングされます。
- 項目類似性計算:これは、すべての候補項目ペア間のログ尤度比類似性と、この類似性スコアによる項目のランキングペアを計算するコア計算ステップです。
- オフラインフィルタリング:最後に、さらに適用できるすべての動的フィルター(動的カテゴリの除外など)が適用されます。 この手順の後、事前に計算されたレコメンデーションはグローバルにキャッシュされ、提供できるようになります。
-
モデルサービング:Recommendationsのコンテンツは、Target の グローバル「Edge」ネットワークから配信されます。 Target に mbox リクエストが行われ、recommendations コンテンツをページに配信する必要があると判断した場合、Recommendations アルゴリズムに対する適切な 項目キーのリクエストは、リクエストから解析されるか、ユーザープロファイルから検索されます。その後、このリクエストを使用して、前の手順で計算された Recommendations を取得します。 現時点では、適切な デザインがレンダリングされる前に、さらに動的フィルターが適用されます。