#dataalgorithms | Explore Tumblr posts and blogs

ujeanchannel · 4 years ago

Text

Recommendation System

สำหรับบทความนี้ อยากจะพูดถึง Recommendation System in ML ตอนนี้หลายๆ คนน่าจะคุ้นชินกับการที่เราใช้ Social Media แล้วมีการแนะนำสินค้าต่างๆ ในระบบ หรือได้ยินจากร้านสะดวกซื้อหลายๆ แห่ง ว่า “customers who bought this, also bought this” จริงๆ แล้วเจ้าระบบแนะนำนี้ เป็นส่วนหนึ่งของ Algorithms ใน Data Analytics เลยนะ

Above image source from : https://www.xenonstack.com/use-cases/recommendation-system-deep-learning/

แล้วเจ้า Techniques หรือ Algorithms นี้มันดียังไง

1. ช่วยแนะนำสิ่งที่กลุ่มเป้าหมายจะสนใจ

นั่นเพราะว่าในโลกออนไลน์ตอนนี้มีสิ่งที่น่าสนใจอยู่มากมายมหาศาล จนจะให้มานั่งดูเองทั้งหมดคงยากมาก เปลืองทั้งเวลา เปลืองทรัพยากรด้วย แถมพอจะเข้ามาดูอะไรก็หาไม่เจอเพราะมันเยอะเกินไป แทนที่จะชอบใจกลับกลายเป็นเบื่อหน่ายกับเวปเราพอดี ดัง��ั้นถ้ามีเจ้าเทคนิคนี้เกิดขึ้น ก็จะทำให้เลือกนำเสนอแต่สิ่งที่กลุ่มเป้าหมายกำลังค้นหา แทนที่จะนำเสนอทุกสิ่งที่มี

2. เปิดโอกาสให้กลุ่มเป้าหมายใหม่ได้รู้จักกับสินค้าอื่น นอกเหนือจากที่สนใจอยู่ได้ด้วยนะ

>> ถ้าเราจะทำระบบนี้ เราต้องคำนึงถึงเรื่องไหนบ้าง

๐ Relevence ก็คือ การพยายามหาของที่คิดว่าผู้ใช้สนใจ ไม่นำเสนอของแบบสะเปะสะปะ เพราะมันจะทำให้กลุ่มเป้าหมายรู้สึกยุ่งยากในการค้นหาสิ่งที่ต้องการ

๐ Diversity ต้องมีความหลายหลายในการนำเสนอ มันคงไม่ดีแน่ ถ้าเราเข้าเวปมาแล้วเจอแค่ Youtube ที่แนะนำคลิปเดิมๆ จาก Channel เดิมๆ หรือใน IG ที่มีโหมดแนะนำอย่าง Reels ถ้าขึ้นแนะนำมาแต่ของเดิมๆ มันก็จะดูไม่น่าสนใจ ทำให้ไม่อยากใช้แอพนั้นอีก

๐ Novelty ต้องมีความใหม่ในการเสนอ ความหมายคืออะไร คือการที่เรานำเสนอในสิ่งที่กลุ่มเป้าหมายไม่รู้จักบ้าง เช่น แนะนำที่เที่ยวใหม่ๆ รีสอร์ตใหม่ๆ ร้านอาหารใหม่ๆ เป็นต้น

๐ Serendipity หาสิ่งที่นอกเหนือความคาดหมาย หรือ เป็นสิ่งไกลตัวของกลุ่มเป้าหมายแต่มีประโยชน์ต่อกลุ่มเป้าหมาย

>> Model ของ Recommondation System

จริงๆ แล้วโมเดลที่ใช้มีหลายวิธีมาก แต่ส่วนใหญ่ก็ยังคงอยู่ในรูปแบบของ utility function ของกลุ่มเป้าหมาย และสินค้า/บริการ ที่นิยมใช้กันคร่าวๆ ดังนี้

popularity based

classification based

content based

collaborative filtering

Hybrid models

โดยที่ว่า

๐ Popularity Based

เป็นวิธีการที่ง่ายที่สุดในการสร้างระบบแนะนำ คือจะดูความนิยมของสินค้า หรือบริการนั้นๆ จากจำนวนยอดขาย หรือจำนวนยอดการใช้งาน ตัวอย่างเช่น ร้านอาหารในแอพ foodpanda ที่ดูจากยอดการสั่งซื้อ

๐ Classification Based

วิธีการนี้จะนำเอาลักษณะของลูกค้า เช่น เพศ อายุ เป็นต้น กับลักษณะของสินค้า เช่น ราคา คุณภาพ มาใช้ในการทำนายความชอบของสินค้า หรือบริการของลูกค้ารายนั้นๆ โดยคำตอบที่ได้จากระบบแนะนำจะมีแค่ ชอบ หรือไม่ชอบ

๐ Content based Filtering

วิธีการนี้ก็เป็นวิธีการที่ง่ายๆ และตรงกับกลุ่มเป้าหมายมากๆ โดยจะพิจารณาจากข้อมูลย้อนหลังของผู้ใช้แต่ละคนว่าเคยดูหนังแนวไหน ซื้อของแบบไหนบ้าง ฟังเพลงแบบไหนบ้าง ก็จะแนะนำสินค้าหรือบริการแนวนั้นเพิ่มเติมให้

ข้อดีคือ จะได้สิ่งที่กลุ่มเป้าหมายต้องการ

ข้อเสียคือ ไม่มีความหลายหลายให้กลุ่มเป้าหมายได้รู้จักเพิ่ม

๐ Collaborative Filtering

ใช้หลักการง่ายๆ แค่ว่า ถ้ากลุ่มเป้าหมายชอบสินค้าแนวเดียวกัน ก็อาจจะสนใจสินค้าอื่นๆ เหมือนกันก็ได้

Collaborative Filtering สามารถแบ่งออกได้เป็น 2 ประเภท คือ

nearest neighbor

matrix factorization

=> Nearest Neighbor Collaborative Filtering

โดยระบบแนะนำประเภทนี้ จะใช้ความคล้ายคลึงมาเป็นตัวแนะนำ ที่พบเห็นจะมี 2 ลักษณะ คือ 1. ความคล้ายคลึงกันของลูกค้า (user based filtering) 2. ความคล้ายคลึงกันของสินค้า (item based filtering)

>> User-based Collaborative Filtering

เป็นการจัดกลุ่มเป้าหมายตามการซื้อสินค้า/บริการ โดยถ้าลูกค้ามีลักษณะการซื้อสินค้าชนิดที่ใกล้เคียงกัน ระบบก็จะจัดกลุ่มลูกค้าดังกล่าวไว้ในกลุ่มเดียวกัน และในลูกค้ากลุ่มเดียวกันนี้ ถ้าลูกค้าคนหนึ่งมีแนวโน้มที่จะชอบสินค้าและบริการอย่างหนึ่ง (ดูจากประวัติการซื้อย้อนหลัง) ระบบก็จะแนะนำสินค้าหรือบริการนั้นๆ ให้กับลูกค้าคนอื่นๆ ในกลุ่มด้วย

ตัวอย่างเช่น ใน Netflix ระบบพบว่ามีลูกค้า 2 คน ที่มีลักษณะดูหนังที่คล้ายกัน เช่น น้องบูม และน้องครีม มีประวัติการดูหนังต่างๆ ที่เหมือนกัน เช่น อะนิเมะ เรื่อง My Hero Academia , อะนิเมะเรื่อง Jujutsu Kaisen เป็นต้น โดยระบบจะจัดกลุ่มให้น้องบูม และน้องครึมอยู่ cluster เดียวกัน

ต่อมาน้องบูมได้อะนิเมะ โคนัน เพิ่ม ระบบก็จะแนะนำหนังเรื่องเดียวเดียวกันนี้ให้น้องครีมด้วย

>> Item-based Collaborative Filtering

เป็นการจัดกลุ่มสินค้าที่มีคุณลักษณะที่คล้าย หรือเกี่ยวเนื่องกัน เช่น ในเว็บไซด์ช็อปปิ้งออนไลน์แห่งหนึ่ง ดินสอและยางลบมักจะถูกลูกค้าซื้อพร้อมกันๆ เสมอ ดังนั้นดินสอและยางลบจึงถูกจัดให้อยู่ในกลุ่มสินค้าที่ใกล้เคียงกัน

=> Matrix Factorization Collaborative Filtering

เป็นการจัดกลุ่มลูกค้าตามการให้คะแนน (rating) ของสินค้า หรือบริการ โดยระดับคะแนนอาจอยู่ในช่วงตั้งแต่ 1- 10 คะแนน ในกรณีที่ยังไม่มีการให้คะแนนจะเท่ากับ 0

๐ Hybrid ก็คือ การเอาหลายๆ วิธีมาผสมผสานกัน

References:

1. https://madasamy.medium.com/introduction-to-recommendation-systems-and-how-to-design-recommendation-system-that-resembling-the-9ac167e30e95

2. https://medium.com/@cfpinela/recommender-systems-user-based-and-item-based-collaborative-filtering-5d5f375a127f

#recommendationsystem #dataalgorithms #bigdata

1 note · View note

codiens · 4 years ago

Photo

Top Data Structures Training Classes in Dehradun - Codiens

Codiens is the best IT Training Dehradun, near Graphic Era University. It provides the deep knowledge of Data Structures & Data Algorithms training with only one programming language (C/C++ Java & Python) and is known as Fun with Programming. Codiens' Data Structure training and Data Algorithm training are based entirely on industry standards. They guarantee 100% placements. Codiens can help fulfill the dreams you've had since childhood. Codiens, Uttarakhand's best IT Training Center, is proud to be among the top. We offer practical knowledge in solving real problems.

What is Data Structure & Data Algorithms and how do they work? How to design algorithms using a programming language (C/C++ Java Java & Python).

Data structure refers to data organization and storage format. This allows Computer Science researchers to easily access and modify their data. It can contain data values, functions or operations, and their relationship. It refers to how your computer organizes data. Debilitated thinking can lead to anyone being able to guess the best way of classifying matter. This can have a big impact on the performance. Let's use one example to get an idea of it. Picture yourself in Library. You are prepared to buy one bundle. Then, you'll see that you have gone directly to the Theory section. However, if the books are distributed randomly it could be difficult for you to locate the set of theory books. The Data structure organizes data in a way that is easy to understand.

Tools solve the problem, so users don't need to find the solution. Different data structures are created for different applications. These are data structures that are suitable for primitive data types.

Array

Union

Linked list

Tags: union

Object

What is Data Algorithms, and How Do They Work?

Data Algorithms should be simplified with a series of instructions that should each be followed step by step in order to resolve the problem. Algorithms can be used to inform the user whether a given number is prime for AI systems such that "Facebook". An algorithm that uses Facebook's pages to determine which ads will be most effective. YouTube also has an Algorithm, which determines who has 10K+ subscribers and which ads should be shown on their channels. The best thing about Algorithms is that you can understand them and implement them in any programming language. This includes C/C++ as well as Java and Python.

Most Algorithms were designed to be used as computer programs. They can also be implemented via other methods like biological neural networks. You can also use them by other means, such as biological neural networks. We can help you implement Algorithms within any programming language that interests you. Codiens can be found near Graphic Era Hill University (Dehradun). It is well-known for its Data Structure Training centre and Data Algorithms training centre.

#datastructuretraining #DScoaching #dataalgorithms #proframmingindehradun #codinginstituteindehradun

0 notes