يتزايد توليد بيانات العملاء العالمية بمعدل غير مسبوق. تستفيد الشركات من الذكاء الاصطناعي والتعلم الآلي للاستفادة من هذه البيانات بطرق مبتكرة. يمكن لنظام التوصيات المدعوم بالتعلم الآلي الاستفادة من بيانات العملاء بشكل فعال لتخصيص تجربة المستخدم، وزيادة المشاركة والاحتفاظ، وزيادة المبيعات في النهاية.

على سبيل المثال ، في عام 2021 ، Netflix ذكرت أن نظام التوصيات الخاص بها ساعد في زيادة الإيرادات بمقدار 1 مليار دولار سنويًا. أمازون هي شركة أخرى تستفيد من تقديم توصيات مخصصة لعملائها. في عام 2021 ، Amazon ذكرت أن نظام التوصيات الخاص بها ساعد في زيادة المبيعات بنسبة 35٪.

في هذه المقالة، سنستكشف أنظمة التوصية بالتفصيل ونقدم عملية خطوة بخطوة لبناء نظام توصية باستخدام التعلم الآلي.

ما هو نظام التوصيات؟

نظام التوصية هو خوارزمية تستخدم تقنيات تحليل البيانات والتعلم الآلي لاقتراح المعلومات ذات الصلة (الأفلام ومقاطع الفيديو والعناصر) للمستخدمين التي قد يجدونها مثيرة للاهتمام. 

تقوم هذه الأنظمة بتحليل كميات كبيرة من البيانات حول سلوك المستخدمين وتفضيلاتهم واهتماماتهم السابقة آلة التعلم خوارزميات مثل التجميع والتصفية التعاونية والشبكات العصبية العميقة لإنشاء توصيات مخصصة.

تعد Netflix و Amazon و Spotify أمثلة معروفة لأنظمة التوصية القوية. تقدم Netflix اقتراحات مخصصة للأفلام ، وتقترح Amazon المنتجات بناءً على عمليات الشراء السابقة وسجل التصفح ، وتوفر Spotify قوائم تشغيل مخصصة واقتراحات للأغاني بناءً على سجل الاستماع والتفضيلات.

عملية خطوة بخطوة لبناء نظام توصيات باستخدام التعلم الآلي

1. تحديد المشكلة وصياغة الهدف

تتمثل الخطوة الأولى في تحديد المشكلة التي سيحلها نظام التوصيات بوضوح. على سبيل المثال ، نريد بناء نظام توصية يشبه أمازون يقترح المنتجات للعملاء بناءً على مشترياتهم السابقة وسجل التصفح.

يساعد الهدف المحدد جيدًا في تحديد البيانات المطلوبة واختيار نماذج التعلم الآلي المناسبة وتقييم أداء نظام التوصية.

2. جمع البيانات والمعالجة المسبقة

تتمثل الخطوة التالية في جمع البيانات حول سلوك العملاء ، مثل عمليات الشراء السابقة وسجل التصفح والمراجعات والتقييمات. يمكننا استخدامها لمعالجة كميات كبيرة من بيانات الأعمال اباتشي هادوب و أباتشي سبارك.

بعد جمع البيانات ، يقوم مهندسو البيانات بمعالجة هذه البيانات وتحليلها. تتضمن هذه الخطوة تنظيف البيانات وإزالة التكرارات ومعالجة القيم المفقودة. أيضًا ، يحول مهندسو البيانات هذه البيانات إلى تنسيق مناسب لخوارزميات التعلم الآلي.

فيما يلي بعض مكتبات المعالجة المسبقة للبيانات المستندة إلى Python:

• الباندا: يوفر طرقًا لمعالجة البيانات وتحويلها وتحليلها
• نمباي: يوفر حسابات عددية قوية للمصفوفات والمصفوفات.

3. تحليل البيانات الاستكشافية

يساعد تحليل البيانات الاستكشافية (EDA) على فهم توزيع البيانات والعلاقات بين المتغيرات التي يمكن استخدامها لإنشاء توصيات أفضل.

على سبيل المثال ، يمكنك تصور العناصر التي تم بيعها أكثر في الربع الأخير. أو ما هي العناصر التي تُباع أكثر عندما يشتري العملاء عنصرًا معينًا ، مثل البيض الذي يُباع أكثر بالخبز والزبدة.

فيما يلي بعض مكتبات Python الشائعة لإجراء تحليل البيانات الاستكشافية:

• ماتبلوتليب: يوفر طرقًا لتصور البيانات لإنشاء مخططات مختلفة مثل الرسوم البيانية ، والمخططات المبعثرة ، والمخططات الدائرية ، وما إلى ذلك.
• سيبورن: يوفر طرقًا لإنشاء تصورات أكثر تقدمًا مثل الخرائط الحرارية والمخططات الزوجية.
• التنميط الباندا: يُنشئ تقريرًا بإحصائيات وصفية وتصورات لكل متغير في مجموعة البيانات.

4. هندسة الميزات

تتضمن هندسة الميزات اختيار أفضل الميزات المناسبة لتدريب نموذج التعلم الآلي الخاص بك. تتضمن هذه الخطوة إنشاء ميزات جديدة أو تحويل الميزات الموجودة لجعلها أكثر ملاءمة لنظام التوصية.

على سبيل المثال ، ضمن بيانات العميل ، تعد ميزات مثل تقييمات المنتج وتكرار الشراء والتركيبة السكانية للعملاء أكثر ملاءمة لبناء نظام توصية دقيق.

فيما يلي بعض مكتبات Python الشائعة لأداء هندسة الميزات:

• Scikit تعلم: يتضمن أدوات لتحديد الميزات واستخراج الميزات ، مثل تحليل المكونات الرئيسية (PCA) وتكتل الميزات.
• ترميز الفئة: يوفر طرقًا لتشفير المتغيرات الفئوية ، أي تحويل المتغيرات الفئوية إلى ميزات عددية.

5. اختيار النموذج

الهدف من اختيار النموذج هو اختيار أفضل خوارزمية للتعلم الآلي يمكنها التنبؤ بدقة بالمنتجات التي من المحتمل أن يشتريها العميل أو الفيلم الذي من المحتمل أن يشاهده بناءً على سلوكهم السابق.

بعض هذه الخوارزميات هي:

أنا. تصفية التعاونية

التصفية التعاونية هي تقنية توصية شائعة ، والتي تفترض أن المستخدمين الذين يشتركون في تفضيلات مماثلة سيشترون على الأرجح منتجات مماثلة ، أو أن المنتجات التي تشترك في ميزات مماثلة من المرجح أن يشتريها العملاء.

ثانيا. التصفية على أساس المحتوى

يتضمن هذا النهج تحليل سمات المنتجات، مثل العلامة التجارية أو الفئة أو السعر، والتوصية بالمنتجات التي تتوافق مع تفضيلات المستخدم.

ثالثا. التصفية الهجينة

تجمع التصفية المختلطة بين التصفية التعاونية وتقنيات التصفية القائمة على المحتوى للتغلب على قيودها من خلال الاستفادة من نقاط قوتها لتقديم توصيات أكثر دقة.

6. نموذج التدريب

تتضمن هذه الخطوة تقسيم البيانات إلى مجموعات تدريب واختبار واستخدام الخوارزمية الأكثر ملاءمة ل قطار نموذج التوصية. تتضمن بعض خوارزميات تدريب نظام التوصية الشائعة ما يلي:

أنا. عامل المصفوفة

تتنبأ هذه التقنية بالقيم المفقودة في مصفوفة متفرقة. في سياق أنظمة التوصية ، يتنبأ عامل المصفوفة بتصنيفات المنتجات التي لم يشتريها المستخدم أو يقيمها بعد.

ثانيا. تعلم عميق

تتضمن هذه التقنية تدريب الشبكات العصبية على تعلّم الأنماط والعلاقات المعقدة في البيانات. في أنظمة التوصيات، يُمكن للتعلم العميق تعلّم العوامل التي تؤثر على تفضيلات المستخدم أو سلوكه.

ثالثا. رابطة حكم التعدين

إنها تقنية لاستخراج البيانات يمكنها اكتشاف الأنماط والعلاقات بين العناصر في مجموعة البيانات. في أنظمة التوصية ، يمكن لتعدين قواعد الرابطة تحديد مجموعات المنتجات التي يتم شراؤها معًا بشكل متكرر والتوصية بهذه المنتجات للمستخدمين.

يمكن تنفيذ هذه الخوارزميات بشكل فعال باستخدام مكتبات مثل مفاجأةو Scikit-Learn و TensorFlow و PyTorch.

7. ضبط Hyperparameter

لتحسين أداء نظام التوصية ، يتم ضبط المعلمات الفائقة ، مثل معدل التعلم وقوة التنظيم وعدد الطبقات المخفية في الشبكة العصبية. تتضمن هذه التقنية اختبار مجموعات مختلفة من المعلمات الفائقة واختيار المجموعة التي تعطي أفضل أداء.

8. نموذج التقييم

تقييم النموذج أمر بالغ الأهمية لضمان أن نظام التوصيات دقيق وفعال في إصدار التوصيات. يمكن لمقاييس التقييم مثل الدقة والتذكر ودرجة F1 قياس دقة وفعالية النظام.

9. نشر النموذج

بمجرد تطوير نظام التوصية وتقييمه ، فإن الخطوة الأخيرة هي نشره في بيئة إنتاج وإتاحته للعملاء.

يمكن إجراء النشر باستخدام الخوادم الداخلية أو الأنظمة الأساسية القائمة على السحابة مثل Amazon Web Services (AWS) و Microsoft Azure و Google Cloud.

على سبيل المثال ، تقدم AWS خدمات متنوعة مثل الأمازون S3, Amazon EC2و آلة التعلم الأمازون، والتي يمكن استخدامها لنشر وتوسيع نطاق نظام التوصية. يجب أيضًا إجراء الصيانة والتحديثات المنتظمة بناءً على أحدث بيانات العملاء لضمان استمرار النظام في الأداء بفعالية بمرور الوقت.

لمزيد من الأفكار حول الذكاء الاصطناعي والتعلم الآلي ، استكشف Unite.ai.