پیشنهاد‌های جذاب و شخصی برای کاربر سایت‌شما

آیا سایت شما بین کاربران استقلالی و پرسپولیسی تفاوت قائل می‌شود؟ طرفداران ملوان انزلی را می‌شناسد؟ در اغلب موارد شاهد‌ هستیم سایت با همه مراجعین به یک شکل رفتار می‌کند. آتیم‌هایی که سایت به کاربران/مشتریان نمایش می‌دهیم، بدون هوشمندی، و تنها بر اساس مکانیزم‌های اتفاقی(Randomized)، یا انطباق تگ‌هاست. سایت به سلیقه مراجعین توجه نمی‌کند. در نهایت کاربر/مشتری، به محض کسب تجربه‌ای بهتر از سایت ما مهاجرت خواهد کرد. در بسیاری موارد کاربران از عدم وجود هوش کافی در مقایسه با سایت‌های بین‌المللی تعجب می‌کنند. چه باید کرد؟ چه کنیم تا سایت‌های ما رفتاری شایسته تر از خود نشان دهند؟ چه کنیم‌ تا سایت ما بین کاربران خود تفاوت قائل شده، و برای هر یک متناسب با سلیقه وی، به ارائه آیتم‌ها بپردازد؟

راه‌حل

متد پیشنهاد (recommend) دقیقا برای حل این مسئله طراحی و پیاده سازی شده است. برای پیشنهاد به کاربری که قبلا رد‌پایی از او در تعامل با آيتم‌های سایت بدست آورده‌ایم، این متد گزینه‌ای بسیار توانمند است. متد پیشنهاد هر آنچه کاربر قبلا دیده است، به یاد دارد. همچنین با استفاده از مکانیزم‌های پیش‌بینی(Prediction)، تعامل‌های بعدی کاربر را محاسبه نموده، و آیتم‌هایی که وی دوست دارد مشاهده کند، در اختیارش قرار می‌دهد. این متد به کاربری که لاگین نکرده است نیز خدمت می‌کند.
آگاهی از سلیقه کاربر، بدون پرسیدن حتی یک سوال، مزیتی ارزشمند محسوب می‌گردد. سایت‌های مجهز به recommender.ir قادر به تحلیل و شناسایی بلادرنگ سلیقه کاربر هستند. آنها این عمل را بدون پرسیدن هیچ سوالی از کاربر و تنها بر اساس رفتار کاربر انجام می‌دهند. تصاویر زیر نمونه‌هایی از کاربرد‌های متد پیشنهاد را نمایش می‌دهند.

تصویر زیر نمونه‌ای از کاربرد متد پیشنهاد در یک سایت ارائه فیلم و سریال را مشاهده می‌کنید‌:

Screen Shot 2017-03-05 at 8.07.51 PM

توضیحات فنی

برای ارائه پیشنهاد به کاربر، از متد recommend استفاده کنید. این متد به کاربری که رفتار وی قبلاً مورد شناسایی قرار گرفته است، به تعداد n آیتم، پیشنهاد می‌دهد. محاسبه این مقادیر بر اساس آیتم‌هایی است که کاربر قبلاً مشاهده ننموده و با بیشترین احتمال، علاقمند به مشاهده آنهاست. این محاسبات بر اساس آخرین انتخاب‌های کاربر به روز شده و بلادرنگ از تغییرات داده‌ها اثر می‌گیرند. نتیجه بر اساس میزان علاقه مرتب شده است. این متد برای پیشنهاد به کاربرانی که قبلاً رفتارهای آن‌ها را جمع آوری نموده ایم مناسب است. مشتریان recommender.ir، از این متد استفاده فراوان می‌برند.
این متد قادر به تولید نتایج لرزان(Dither) نیز می‌باشد. هدف از تولید نتایج لزران، حفظ جذابیت نتایج برای کاربر است. برای تولید محاسبات به صورت لرزان از پارامتر dither استفاده کنید.
این متد را با درخواست GET فراخوانی کنید.

http://IP:Port/recommend[userID](?howMany=n)(?dither)

مثال:
دستور زیر برای کاربری با شناسه79047 ، ده پیشنهاد که بر اساس میزان علاقه وی مرتب شده است، باز‌می‌گرداند:

Request:
/recommend/79047

Response:
[[“YDI1N”,1.103431],[“VB4x3”,1.1000912],[“MEB83”,1.0796349],[“FC4iO”,1.0775955],[“kt0x1”,1.075396],[“UvHxQ”,1.0632982],[“yXpDA”,1.0557796],[“xuL1s”,1.0472054],[“tQ8c1”,1.0308288],[“53k6R”,1.026107]]

مثال:
مثال زیر برای کاربری با شناسه 3294 ، سه پیشنهاد لرزان محاسبه می‌کند. این متد عیناً چهار بار فراخوانی شده است. نتایج در شعاع معینی به صورتی انتخاب شده‌اند که ضمن نزدیکی با سلیقه کاربر 3294 برای وی جذاب بوده و تکراری نشوند:

Request
/recommend/3294?dither&howMany=3

Response
[[“BMW-820i”,0.08361415],[“RapidMiner”,0.099954925],[“Membase”,0.0659595]]

Request
/recommend/3294?dither&howMany=3

Response
[[“Magnet”,0.04127011],[“RapidMiner”,0.099954925],[“Membase”,0.0659595]]

Request
/recommend/3294?dither&howMany=3
Response
[[“BMW-820i”,0.08361415],[“Yamaha”,0.057780065],[“Magnet”,0.04127011]]

Request
/recommend/3294?dither&howMany=3
Response
[[“BMW-820i”,0.08361415],[“Ferrari”,0.104123645],[“Yamaha”,0.057780065]]

0 پاسخ

برای ما بنویسید

دوست داریم نظر شما رو بدونیم

پاسخ دهید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *