Mögen Sie Erdnussbutter? Dieser Algorithmus hat eine Vermutung, was Sie als nächstes kaufen werden
Eine neue Technik kann das Kundenverhalten in Empfehlungsalgorithmen einbeziehen
Empfehlungsalgorithmen können das Online-Einkaufserlebnis eines Kunden schneller und effizienter machen, indem sie ihm ergänzende Produkte vorschlagen, sobald er ein Produkt in seinen Warenkorb legt. Hat der Kunde Erdnussbutter gekauft? Der Algorithmus empfiehlt verschiedene Geleemarken, die er als nächstes hinzufügen kann.
stevepb / Pixabay
Diese Algorithmen arbeiten in der Regel so, dass sie gekaufte Artikel mit Artikeln in Verbindung bringen, die andere Kunden häufig gekauft haben. Wenn die Gewohnheiten, der Geschmack oder die Interessen des Käufers denen früherer Kunden ähneln, können solche Empfehlungen Zeit sparen, dem Gedächtnis auf die Sprünge helfen und eine willkommene Bereicherung des Einkaufserlebnisses sein.
Was aber, wenn der Kunde Erdnussbutter kauft, um ein Hundespielzeug zu füllen oder eine Mausefalle zu ködern? Was ist, wenn der Käufer zu seiner Erdnussbutter lieber Honig oder Bananen isst? Der Empfehlungsalgorithmus wird dann weniger nützliche Vorschläge machen, was den Einzelhändler einen Umsatz kostet und den Kunden möglicherweise verärgert.
Neue Forschungsarbeiten unter der Leitung von Negin Entezari, die vor kurzem an der UC Riverside in Informatik promoviert hat, von Instacart-Mitarbeitern und ihrem Doktorvater Vagelis Papalexakis bringen eine Methode namens Tensorenzerlegung - die von Wissenschaftlern verwendet wird, um Muster in riesigen Datenmengen zu finden - in die Welt des Handels, um ergänzende Produkte zu empfehlen, die besser auf die Vorlieben der Kunden zugeschnitten sind.
Tensoren können als mehrdimensionale Würfel dargestellt werden und werden zur Modellierung und Analyse von Daten mit vielen verschiedenen Komponenten, den so genannten Multi-Aspekt-Daten, verwendet. Daten, die in enger Beziehung zu anderen Daten stehen, können in einer Würfelanordnung verbunden und mit anderen Würfeln in Beziehung gesetzt werden, um Muster in den Daten aufzudecken.
"Tensoren können verwendet werden, um das Einkaufsverhalten von Kunden darzustellen", so Entezari. "Jeder Modus eines 3-Mode-Tensors kann einen Aspekt einer Transaktion erfassen. Die Kunden bilden einen Modus des Tensors und der zweite und dritte Modus erfasst die Produkt-zu-Produkt-Interaktionen, indem er die in einer einzigen Transaktion gemeinsam gekauften Produkte berücksichtigt."
Ein Beispiel: Drei hypothetische Kunden - A, B und C - tätigen die folgenden Einkäufe:
A: Kauft Hot Dogs, Hot Dog-Brötchen, Cola und Senf in einer Transaktion.
B: Tätigt drei separate Transaktionen: Korb 1: Hot Dogs und Hot Dog-Brötchen; Korb 2: Cola; Korb 3: Senf
C: Hot Dogs, Hot Dog-Brötchen und Senf in einer Transaktion.
Für einen herkömmlichen matrixbasierten Algorithmus ist Kunde A mit Kunde B identisch, da sie die gleichen Artikel gekauft haben. Bei Verwendung der Tensorenzerlegung ist Kunde A jedoch enger mit Kunde C verwandt, da ihr Verhalten ähnlich war. Beide haben ähnliche Produkte in einer einzigen Transaktion gemeinsam gekauft, auch wenn sich ihre Einkäufe leicht unterscheiden.
Der typische Empfehlungsalgorithmus macht Vorhersagen auf der Grundlage des Artikels, den der Kunde gerade gekauft hat, während die Tensorzerlegung Empfehlungen auf der Grundlage dessen geben kann, was sich bereits im gesamten Warenkorb des Benutzers befindet. Wenn ein Kunde also Hundefutter und Erdnussbutter in seinem Korb hat, aber kein Brot, könnte ein tensorbasierter Empfehlungsalgorithmus ein füllbares Hundekauspielzeug anstelle von Marmelade vorschlagen, wenn andere Nutzer diesen Kauf ebenfalls getätigt haben.
"Tensoren sind mehrdimensionale Strukturen, die die Modellierung komplexer, heterogener Daten ermöglichen", so Papalexakis, außerordentlicher Professor für Informatik und Ingenieurwissenschaften. "Anstatt einfach nur festzustellen, welche Produkte zusammen gekauft werden, gibt es eine dritte Dimension. Diese Produkte werden von dieser Art von Nutzern gekauft, und der Algorithmus versucht zu bestimmen, welche Arten von Nutzern diese Übereinstimmung herstellen."
Um ihre Methode zu testen, verwendeten Entezari, Papalexakis und die Co-Autoren Haixun Wang, Sharath Rao und Shishir Kumar Prasad, allesamt Forscher bei Instacart, einen öffentlichen Datensatz von Instacart, um ihren Algorithmus zu trainieren. Sie fanden heraus, dass ihre Methode die modernsten Methoden zur Vorhersage kundenspezifischer ergänzender Produktempfehlungen übertraf. Obwohl noch mehr Arbeit erforderlich ist, kommen die Autoren zu dem Schluss, dass die Tensorzerlegung von Big Data auch in der Wirtschaft Einzug halten könnte.
"Obwohl Tensor-Methoden sehr leistungsfähige Werkzeuge sind, sind sie in der akademischen Forschung immer noch beliebter, wenn es um Empfehlungssysteme geht", sagt Papalexakis. "Damit die Industrie sie annimmt, müssen wir zeigen, dass es sich lohnt und dass es relativ einfach ist, das zu ersetzen, was bereits funktioniert."
Während frühere Forschungsarbeiten die Vorteile der Tensormodellierung bei Empfehlungsproblemen aufgezeigt haben, ist die neue Veröffentlichung die erste, die dies im Rahmen von Empfehlungen für komplementäre Artikel tut, was die Tensormethoden der industriellen Übernahme und dem Technologietransfer im Kontext von Empfehlungssystemen näher bringt.
"Tensor-Methoden wurden bereits erfolgreich von der Industrie übernommen, wobei Chemometrie und Lebensmittelqualität gute Beispiele sind, und jeder Versuch wie unsere Arbeit zeigt die Vielseitigkeit von Tensor-Methoden, die in der Lage sind, ein so breites Spektrum an anspruchsvollen Problemen in verschiedenen Bereichen zu bewältigen", sagte Papalexakis.
Hinweis: Dieser Artikel wurde mit einem Computersystem ohne menschlichen Eingriff übersetzt. LUMITOS bietet diese automatischen Übersetzungen an, um eine größere Bandbreite an aktuellen Nachrichten zu präsentieren. Da dieser Artikel mit automatischer Übersetzung übersetzt wurde, ist es möglich, dass er Fehler im Vokabular, in der Syntax oder in der Grammatik enthält. Den ursprünglichen Artikel in Englisch finden Sie hier.
Weitere News aus dem Ressort Wissenschaft
Holen Sie sich die Lebensmittel- und Getränke-Branche in Ihren Posteingang
Ab sofort nichts mehr verpassen: Unser Newsletter für die Lebensmittel- und Getränkeindustrie bringt Sie jeden Dienstag und Donnerstag auf den neuesten Stand. Aktuelle Branchen-News, Produkt-Highlights und Innovationen - kompakt und verständlich in Ihrem Posteingang. Von uns recherchiert, damit Sie es nicht tun müssen.
