Şirkət Şirkət İnternet mağazalarınızın nə istədiyini nə etmədən bilsəydiniz? İnternet mağazalarınızın nə istədiyini nə etmədən bilsəydiniz? Onlar “populyar” və ya “başa-baxa” məlumatlara dayanır. Yeni istifadəçilər (soğuk başlanğıc problemi) və həqiqətdə bir istifadəçinin istəklərinin real vaxtda dəyişdiyi zaman çox az vaxt adaptasiya edirlər. Most recommendation engines are like helpful but slightly clueless assistants: struggle Əgər sistemin Merchandiser kimi – statik məhsul verilərini və real-time istifadəçi davranışını birləşdirmək Doğru vaxtda nə? Düşünürəm həqiqətən Doğru elementlər Düşünürəm həqiqətən Kullanış Bu, verilerinizi vektor-native infrastrukturu ilə işləyə biləcək, dəyişə biləcək istifadəçi profillərinə çevirərək bu tradicional ziyanları aşan bir profildir. This guide walks you through building a modern recommendation engine Superlinked (Koduna doğrudan keçmək istəyirsənmi? GitHub-da açılmış kodu buradan izləyin. öz istifadə prosesi üçün rekommender sistemlərini test etmək üçün hazırsınızmı? burda demo alın.) Burada Burada Burada Burada İnternetdə də bizimlə işləyə bilərsiniz. Kollektivlər Təsadüfi: Dr Çoğu e-ticarət təhlilçisi ya da çox statik (rule-based) ya da çox black-box (opac ML modelləri). Superlinked bir orta yol sunar: soğuk-start istifadəçilərə özəlləşdirilə bilər ki, metadata canlı davranışla birləşdirərək - bütün ML modelləri yeniləmək olmadan. Rekonstruktiv problemlər olmasına baxmayaraq, bu problemlər Vektor embeddings böyük ölçüde rekomandasiya sistemləri yaxşılaşdırmaq olsa da, onları etiraz etmək üçün bir çox problemləri həll etmək lazımdır: Şirkət Şirkət Şirkət Şirkət Qiymət və əsaslılıq: Yerləşdirilən generasiya prosesini, arhitekturu və məlumatları dikkatli düşünmək lazımdır. VVD - Hollandiyada futbolçu bu adla tanımır, orada VVD daha çox mərkəz-sağı təmsilən edən siyasi partiyanın adının qısaltması kimi bilinir - artıq sorğu-suala ehtiyacı olmayan ulduzdu. İstehsal edilə bilər: böyük datasetlər üçün effektiv metodlar lazımdır; yoxsa, latensiya bir problem olacaq. Superlinked, istifadəçilər və məhsullar haqqında bütün imkanlı məlumatları geniş multimodal vektorlara birləşdirərək bu problemlərə cavab verməyə imkan verir.Aşağıdaki e-ticarət RecSys nümunəsində, aşağıdaki Superlinked kütləvi elementləri istifadə edirik: Şirkət Şirkət Şirkət Şirkət Şirkət min_max sayı spaces: müştərilərin fikirləri və qiymətləndirilməsi üçün Text-similarity Space: Ürün xəbərinin semantik anlayışı üçün Vektorların dəyişdirilməsi üçün faktlar və efektlər Soruşduğunuz zaman ağırlıqları - soruşduğunuz zaman verilərinizin necə işlənəcəyini, bütün veritabanı yenə daxil etmədən optimalizasiya və ölçüləməyə imkan verin (latenziyası) Əvvəllər az sayda istifadəçi-spesifik verilərimizi (çox istifadəçinin ilk məhsul tercihini) daxil edərik, soğuk başlamaq problemini başa düşə bilərik. Superlinked-in sorğu vaxtı ağırlığı, aradan qaldırma nəticələrini düzəltsin, onları spesifik istifadəçi preferensiyalarına uyğunlaşdırmaq üçün ödənişlilaşdırır. Hipertansiya Let's get started! Superlinked ilə e-ticarət rekomandasiyası motoru qurmaq İnşaatın başlanğıcında isə belə bir şey var: Şirkət : product data Şirkət Şirkət Şirkət Şirkət Şirkət Şirkət Revizorların sayı Ürün Ratingləri Tekstiqi Açıqlama Ürün adı (bəzən markaların adı ilə bağlı) Kategoriyada Bizdə də aşağıda Şirkət : data about users and products Şirkət Şirkət Şirkət Hər bir müştərinin onlardan biri seçilir (t.y. - istifadəçi davranışı (registrasiyadan sonra) məhsulların textual xüsusiyyətləri üçün preferensiyaları (bəqərə, adı, kategoriya) Buna görə də, klassik ekonomiya bizə deyir ki, ortalama, bütün istifadəçilər ceteris paribus: Şirkət Şirkət Şirkət Şirkət Daha az xərclənir Bir çox recenziyalar Daha yüksək qiymətlər Biz bu verileri hesabatlandırmaq üçün Spaces-larımızı hazırlayırıq, belə ki, RecSys-lərimiz soğuk başlanma sahələrində işləyir - biz çox az bildiyimiz istifadəçilərə xəbərdarlıq verir.RecSys-lərimiz hazır və işlədikdə də davranış verilərimiz olacaq: istifadəçilər belirli məhsullara tıklayacaq, belirli məhsullar satın alacaq, etc. Biz bu xəbərdarlıq verilərini qurmaq üçün istifadə edə bilərik, vektorlarımızı istifadəçi preferensiyalarını yansıtmaq üçün güncellenə bilərik və rekomandasiyaların keyfiyyətini artırarıq. Superlinklər yaratmaq Birincisi, Superlinked kütləvi yükləmək və sınıfları import etmək lazımdır. %pip install superlinked==6.0.0 import altair as alt import os import pandas as pd import sys from superlinked.framework.common.embedding.number_embedding import Mode from superlinked.framework.common.schema.schema import schema from superlinked.framework.common.schema.event_schema import event_schema from superlinked.framework.common.schema.schema_object import String, Integer from superlinked.framework.common.schema.schema_reference import SchemaReference from superlinked.framework.common.schema.id_schema_object import IdField from superlinked.framework.common.parser.dataframe_parser import DataFrameParser from superlinked.framework.dsl.executor.in_memory.in_memory_executor import ( InMemoryExecutor, InMemoryApp, ) from superlinked.framework.dsl.index.index import Index from superlinked.framework.dsl.index.effect import Effect from superlinked.framework.dsl.query.param import Param from superlinked.framework.dsl.query.query import Query from superlinked.framework.dsl.source.in_memory_source import InMemorySource from superlinked.framework.dsl.space.text_similarity_space import TextSimilaritySpace from superlinked.framework.dsl.space.number_space import NumberSpace alt.renderers.enable(get_altair_renderer()) pd.set_option("display.max_colwidth", 190) Biz də datasetlərimizi tanımlayırıq və ən yaxşı 10 elementin depolanması üçün sabit yaratırıq - bax Notebook içində Hücumu 3 Artıq kütüblərin yüklənmiş, import edilmiş sınıfları və datasetlərin yerlərini tanımladıqdan sonra, spaces-lərimizi qurduğumuzu bildirmək üçün datasetimizi izləyə bilərik.İlk olaraq, istifadəçi rejimindən olan verilərimiz var - ya da user_1 və user_2 üç məhsuldan hangisinin seçildiyi. # the user preferences come from the user being prompted to select a product out of 3 - those will be the initial preferences # this is done in order to give somewhat personalised recommendations user_df: pd.DataFrame = pd.read_json(USER_DATASET_URL) user_df Biz də ürəklərimizin dağılım verilişlərinin yaxın araşdırmasını hazırlayırıq - bax Bu, sizə neçə-neçə məhsulların farklı qiyməti ilə bağlı olduğunu, fərqli qiymətləndirmə sayıları var və fərqli qiymətləndirmələr var (bunların əksəriyyəti bu rütbələrdədir). Hücumu 5 Xatırladaq ki, bu barədə “Snickers” jurnalına istinadən xəbər verir ki, bu barədə “Snickers” jurnalına istinadən xəbər verir ki, “Snickers” jurnalına istinadən xəbər verir ki, “Snickers” jurnalına istinadən xəbər verir ki, “Snickers” jurnalına istinadən xəbər verilir. İŞİD Şirkətlər 7-9 Vektor araması üçün indeksi qurmaq Superlinked'in kütləvi, indeksləri qurmaq və aradan qaldırmaq üçün istifadə etdiyimiz bazar bina bloklarının bir hissəsini içerməlidir. İŞİD Burada Bu kitabxananın yaradıcılıq bloklarını EComm RecSys-də istifadə edəcəyik. Sisteminizə xəbər verin. define your Schema # schema is the way to describe the input data flowing into our system - in a typed manner @schema class ProductSchema: description: String name: String category: String price: Integer review_count: Integer review_rating: Integer id: IdField @schema class UserSchema: preference_description: String preference_name: String preference_category: String id: IdField @event_schema class EventSchema: product: SchemaReference[ProductSchema] user: SchemaReference[UserSchema] event_type: String id: IdField # we instantiate schemas as follows product = ProductSchema() user = UserSchema() event = EventSchema() Sonradan, "Spaces"ı istifadə edin, verilərinizin hər bir hissəsini daxil etməkdə necə işləmək istəyirsiniz. "Space definitions"da, inputların verilərimizdəki semantika əlaqələrini yansıtması üçün nasıl daxil ediləcəyini yazırıq. # textual inputs are embedded in a text similarity space powered by a sentence_transformers model description_space = TextSimilaritySpace( text=[user.preference_description, product.description], model="sentence-transformers/all-distilroberta-v1", ) name_space = TextSimilaritySpace( text=[user.preference_name, product.name], model="sentence-transformers/all-distilroberta-v1", ) category_space = TextSimilaritySpace( text=[user.preference_category, product.category], model="sentence-transformers/all-distilroberta-v1", ) # NumberSpaces encode numeric input in special ways to reflect a relationship # here we express relationships to price (lower the better), or ratings and review counts (more/higher the better) price_space = NumberSpace( number=product.price, mode=Mode.MINIMUM, min_value=25, max_value=1000 ) review_count_space = NumberSpace( number=product.review_count, mode=Mode.MAXIMUM, min_value=0, max_value=100 ) review_rating_space = NumberSpace( number=product.review_rating, mode=Mode.MAXIMUM, min_value=0, max_value=4 ) # create the index using the defined spaces product_index = Index( spaces=[ description_space, name_space, category_space, price_space, review_count_space, review_rating_space, ] ) # parse our data into the schemas - not matching column names can be conformed to schemas using the mapping parameter product_df_parser = DataFrameParser(schema=product) user_df_parser = DataFrameParser( schema=user, mapping={user.preference_description: "preference_desc"} ) # setup our application source_product: InMemorySource = InMemorySource(product, parser=product_df_parser) source_user: InMemorySource = InMemorySource(user, parser=user_df_parser) executor: InMemoryExecutor = InMemoryExecutor( sources=[source_product, source_user], indices=[product_index] ) app: InMemoryApp = executor.run() # load the actual data into our system source_product.put([products_df]) source_user.put([user_df]) Artıq verilerinizi Spaces-da tanımladığınızda, verilərinizlə oynamaq və sonuçları optimize etmək üçün hazırsınız. Soğuk başlanğıcımız var. Evlər olmadan nə edə bilərik? RecSys “Cold-Start” problemini həll etmək Burada, yalnız istifadəçinin tercih vektoru ilə arama edən bir istifadəçi sorğusu tanımlayırıq.Biz hər bir giriş tipinin (Spaş) önəminin (çoxlarının) konfigürasiyasını kontrol edirik. user_query = ( Query( product_index, weights={ description_space: Param("description_weight"), name_space: Param("name_weight"), category_space: Param("category_weight"), price_space: Param("price_weight"), review_count_space: Param("review_count_weight"), review_rating_space: Param("review_rating_weight"), }, ) .find(product) .with_vector(user, Param("user_id")) .limit(Param("limit")) ) # simple recommendations for our user_1 # these are based only on the initial product the user chose when first entering our site simple_result = app.query( user_query, user_id="user_1", description_weight=1, name_weight=1, category_weight=1, price_weight=1, review_count_weight=1, review_rating_weight=1, limit=TOP_N, ) simple_result.to_pandas() Bu sorğunun nəticələri, user_1-in ilk dəfə eComm saytımızda kayıtlaşdıqları zaman bir çanta seçdiyi gerçəkdir. Ümumilikdə user_1 üçün istifadə etmək mümkündür. “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin” “Qəbələ”nin “Qəbələ”nin” “Qəbələ”nin “Qəbələ Biz də bu ağırlıqlarla oynayırıq ki, bir Space və ya başqa bir Space yönündə nəticələri düzəltsin. Genel olaraq və general_result = app.query( user_query, user_id="user_1", description_weight=0, name_weight=0, category_weight=0, price_weight=1, review_count_weight=1, review_rating_weight=1, limit=TOP_N, ) general_result.to_pandas() Yeni bir istifadəçi araması sorğunun texti bizim rekomandasiya nəticələrimiz üçün bir giriş kimi təqdim edir - bax İŞİD Hücumu 20 "Uşaqlar üçün ən faydalı oyunlar" - "Uşaqlar üçün ən faydalı oyunlar" - "Uşaqlar üçün ən faydalı oyunlar" - "Uşaqlar üçün ən faydalı oyunlar" - "Uşaqlar üçün ən faydalı oyunlar" - "Uşaqlar üçün ən faydalı oyunlar" - "Uşaqlar üçün ən faydalı oyunlar" - "Uşaqlar üçün ən faydalı oyunlar" - "Uşaqlar üçün ən faydalı oyunlar" (ə) Qadınlar üçün daha çox “çəkiliş” məhsulları təqdim edirik. additional weight to the category space category_weight = 10 women_cat_result = app.query( search_query, user_id="user_1", query_text="women clothing jackets", description_weight=1, name_weight=1, category_weight=10, price_weight=1, review_count_weight=1, review_rating_weight=1, limit=TOP_N, ) women_cat_result.to_pandas() Qadınlar üçün daha çox imkan var, daha çox qadınlar üçün daha çox imkan var. Əsas səhifə > Ürünlər > Dərslər > Dərslər > Dərslər ( Xatırladaq ki, bu, bir neçə ildir ki, ABŞ-ın baş məşqçiləri, diplomatlar, diplomatlar, diplomatlar, diplomatlar, diplomatlar, diplomatlar, diplomatlar, diplomatlar, diplomatlar, diplomatlar, diplomatlar, diplomatlar, diplomatlar, diplomatlar, diplomatlar, diplomatlar, diplomatlar, diplomatlar, diplomatlar, diplomatlar, diplomatlar, diplomatlar, diplomatlar, diplomatlar, diplomatlar, diplomatlar, diplomatlar, diplomatlar, diplomatlar, diplomatlar, diplomatlar, diplomatlar, diplomatlar, diplomatlar, diplomatlar, diplomatlar, diplomatlar, diplomatlar, diplomatlar, diplomatlar, diplomatlar, diplomatlar, diplomatlar, diplomatlar, diplomatlar, diplomatlar, diplomatlar, diplomatlar, diplomatlar, diplomatlar, diplomatlar, diplomatlar, diplomatlar, diplomatlar, diplomatlar, diplomatlar, diplomatlar, diplomatlar, diplomat İŞİD review_rating_weight=5 Hücumu 22 Personalized Experiences yaratmaq üçün Event Data istifadə etmək Bizim istifadəçilərimiz platformamızla mübahisə etmişlər - user_1 daha çox, user_2 daha az. Aşağıda qeyd olunan hadisələr var: behavioral data Şirkət Şirkət Şirkət Təsadüfi və rekreativ məhsullara ehtiyacı olan bir istifadəçi (user_2) İş yerindən çıxmaq və formal iş vaxtı üçün elegant məhsullara ehtiyacı olan bir istifadəçi (user_1) events_df = ( pd.read_json(EVENT_DATASET_URL) .reset_index() .rename(columns={"index": "id"}) .head(NROWS) ) events_df = events_df.merge( products_df[["id"]], left_on="product", right_on="id", suffixes=("", "r") ).drop("idr", axis=1) events_df = events_df.assign(created_at=1715439600) events_df Xahiş edirik ki, istifadəçilərin bir məhsulla olan ilgisini qeyd etmək üçün spesifik əməllər ağırlaşır və aradan qaldırmaq sırasında olayları dərk etmək üçün setupı dəyişir. event_weights = { "clicked_on": 0.2, "buy": 1, "put_to_cart": 0.5, "removed_from_cart": -0.5, } # adjust the setup to events product_index_with_events = Index( spaces=[ description_space, category_space, name_space, price_space, review_count_space, review_rating_space, ], effects=[ Effect( description_space, event.user, event_weight * event.product, event.event_type == event_type, ) for event_type, event_weight in event_weights.items() ] + [ Effect( category_space, event.user, event_weight * event.product, event.event_type == event_type, ) for event_type, event_weight in event_weights.items() ] + [ Effect( name_space, event.user, event_weight * event.product, event.event_type == event_type, ) for event_type, event_weight in event_weights.items() ], ) event_df_parser: DataFrameParser = DataFrameParser(schema=event) source_event: InMemorySource = InMemorySource(schema=event, parser=event_df_parser) executor_with_events: InMemoryExecutor = InMemoryExecutor( sources=[source_product, source_user, source_event], indices=[product_index_with_events], ) app_with_events: InMemoryApp = executor_with_events.run() Artıq yeni bir indeks yaratırıq ki, istifadəçilərin olaylarını hesabatlandırsın, sonra hər bir istifadəçi üçün tamamilə rekomandasiyaları kişiselleştirək. # for a new index, all data has to be put into the source again source_product.put([products_df]) source_user.put([user_df]) source_event.put([events_df]) # a query only searching with the user's vector the preferences are now much more personalised thanks to the events personalised_query = ( Query( product_index_with_events, weights={ description_space: Param("description_weight"), category_space: Param("category_weight"), name_space: Param("name_weight"), price_space: Param("price_weight"), review_count_space: Param("review_count_weight"), review_rating_space: Param("review_rating_weight"), }, ) .find(product) .with_vector(user, Param("user_id")) .limit(Param("limit")) ) “RexSys” sistemimizdə olayların yerləşdirilməsinin effektini kişiselleştirmə ağırlaşdırılması ilə gözləyirik. və ya Birincisi, görək, bu (vaxtiliyin verilişləri) olayları ilə bağlı olan spazmları ağırlaşdırmanın effektini (baseline qarşı) görək. Sadəcə bir az Ağır # with small weight on event-affected spaces, we mainly just alter the results below position 4 general_event_result = app_with_events.query( personalised_query, user_id="user_1", description_weight=1, category_weight=1, name_weight=1, price_weight=1, review_count_weight=1, review_rating_weight=1, limit=TOP_N, ) general_event_result.to_pandas().join( simple_result.to_pandas(), lsuffix="", rsuffix="_base" )[["description", "id", "description_base", "id_base"]] Əvvəlki məqalədəDünyanın baş məşqçisiyindən biri olan “Dünyanın baş məşqçisidir” – “Dünyanın baş məşqçisidir” – “Dünyanın baş məşqçisidir” – “Dünyanın baş məşqçisidir” – “Dünyanın baş məşqçisidir” – “Dünyanın baş məşqçisidir” Amma əgər biz olaydan etkilənmiş spazmları daha ağır hiss edəriksə, rekomandasiya listamızda tamamilə yeni elementlər yerləşdirərik. # with larger weight on the the event-affected spaces, more totally new items appear in the TOP10 event_weighted_result = app_with_events.query( personalised_query, user_id="user_1", query_text="", description_weight=5, category_weight=1, name_weight=1, price_weight=1, review_count_weight=1, review_rating_weight=1, limit=TOP_N, ) event_weighted_result.to_pandas().join( simple_result.to_pandas(), lsuffix="", rsuffix="_base" )[["description", "id", "description_base", "id_base"]] Bəlkə də, konkret bir istifadəçi davranışına (bağışlanma data) uyğunlaşdırmaq üçün ağırlıqları istifadə edə bilərik. Birincisi, qiyməti görmək İŞİD Başqa məhsullar üçün prioritet Hücumu 31 Sonrakı EComm RecSys-in Superlinked kütləvi (yani) implementasiyası, vektor embeddings gücünü istifadəçilərin sorğu və davranış verilərinin semantik anlamını birləşdirərək necə əldə edə biləcəyini göstərir. min_max sayı və texta bənzərliyi spaces, Events şeması və effektləri və sorğu vaxt ağırlıqları ilə, RecSys-in soğuk başlama, keyfiyyət, əsaslılıq və ölçüləbilicilik problemlərini həll edə bilərsiniz və üretimdə yüksək həddi aşan, istifadəçilər üçün kişiselleştirilmiş qərarlar verə bilərsiniz. Artıq sizin vaxtınızdır! İŞİD Superlinked kütləvi özünüzü bizim notebooklarımızı istifadə edin Try It Yourself – Get the Code & Demo! Bunu özünüz də deneyin – Code & Demo alın! Şirkət Şirkət Şirkət Kodu alın: GitHub repo-ndəki tam quruluşu burda görün.Fork onu, tweak onu, və özünüz olsun! Xatırladaq ki, “Supernatural”da “Supernatural”da “Supernatural”da “Supernatural”da “Supernatural”da “Supernatural”da “Supernatural”da “Supernatural”da “Supernatural”da “Supernatural”da “Supernatural”da “Supernatural”da “Supernatural”da “Supernatural”da “Supernatural”da “Supernatural”da “Supernatural”da “Supernatural”da “Supernatural”da “Supernatural”da “Supernatural”da “Supernatural”da “Supernatural”da “Supernatural” Burada Burada İŞİD “Rekomendation engines are shaping the way we discover content.Whether it’s popular pants, music, or other products. - Artıq sizin özünüzü yaratmaq üçün cihazlarınız var. vector search is the future
