Это заключительная часть нашей серии из трех частей, в которой мы используем набор данных Отзывы потребителей о продуктах Amazon от Kaggle, чтобы продемонстрировать 3 уникальных варианта использования с помощью AI & Analytics Engine.

Если вы заинтересованы в изучении двух других вариантов использования, вы можете получить к ним доступ здесь:

Часть 1: Определение подлинности потребительских оценок продукта

Часть 2: Расчет вашего Net Promoter Score (NPS)

Чтобы узнать о других вариантах использования в бизнесе, ознакомьтесь с нашей статьей 18 основных вариантов использования ИИ в ведущих отраслях!

В этом случае мы хотим построить систему рекомендаций. Мы хотим, чтобы эта система рекомендаций рекомендовала определенные продукты клиенту, оценивая то, что рекомендовали похожие клиенты. Мы считаем других клиентов похожими, когда их оценки совпадают с другими клиентами. Преимущество наличия системы рекомендаций заключается в возможности перекрестной продажи нужных продуктов нужному клиенту, что, по сути, увеличивает доход.

Система рекомендаций

Шаги по построению рекомендательной системы

Шаг 1. Загрузка набора данных

AI & Analytics Engine поддерживает различные форматы загрузки данных, такие как CSV и Excel.

Шаг 2. Подготовка данных

  1. Удалите ненужные столбцы и переименуйте оставшиеся столбцы, чтобы их было легче различать.
  2. Столбец Продукт содержит идентификаторы Amazon, относящиеся к продукту. Идентификаторы состоят из 10 символов, разделенных запятыми. Мы хотим сохранить только первый идентификатор. Вот предварительный просмотр того, что происходит, когда мы применяем это действие.

3. Приведите столбец Рейтинг к числовому типу.

4. Заполните пустые значения в столбце Рекомендовать на основе Рейтинга: если значение Рекомендовать отсутствует, а Рейтинг значение больше 3, установите для параметра Рекомендовать значение 1. Если значение Рейтинг меньше 3, установите значение Рекомендоватьзначение 0.

5. Создайте новый столбец User_Total, используя агрегированное действие в Engine. Это будет отражать общее количество отзывов, сделанных каждым пользователем.

6. Допустим, мы хотим построить рекомендации конкретно для товара с идентификатором «B018Y226XO». Чтобы оценки этого продукта не влияли на прогноз, мы установим все оценки для этого продукта равными 0.

7. Отфильтруйте строки, чтобы хранить записи только от пользователей, оставивших не менее 3 отзывов, и просматривать только продукты в категории электроники.

8. Создайте сводную таблицу с Пользователь в качестве строк и Продукт в качестве столбцов.

9. Извлеките компонент идентификатора продукта " B018Y226XO " для группы сводных столбцов Рекомендовать . Это столбец Target, который мы хотим предсказать.

10. Оставьте только строки со значением Target и преобразуйте столбец Target в категориальный.

Шаг 3. Создайте приложение

Затем мы создаем новое приложение и добавляем в качестве функций набор функций, содержащий группу столбцов Рейтинг.

Шаг 4. Выбор и оценка модели

2. На изображении ниже видно, что рекомендательная модель имеет точность 99,3%.

Заворачивать

В этой статье показано, как создать систему рекомендаций, просто используя набор данных со всей необходимой информацией и AI & Analytics Engine. Все это всего за несколько простых шагов.

Хотите создать собственную систему рекомендаций? Легкий. Просто следуйте инструкциям выше и получите бесплатную пробную версию Engine!

Первоначально опубликовано на https://www.pi.exchange.