Поиск продуктов

Поисковики продуктов — это информационные системы , которые помогают потребителям идентифицировать продукты среди большой палитры аналогичных альтернативных продуктов. Средства поиска продуктов различаются по сложности, причем более сложные из них являются частным случаем систем поддержки принятия решений . Однако традиционные системы поддержки принятия решений ориентированы на специализированные группы пользователей, например, на менеджеров по маркетингу, тогда как специалисты по поиску продуктов ориентированы на потребителей.

Область применения [ править ]

Обычно средства поиска продуктов являются частью интернет-магазина или онлайн-презентации линейки продуктов. Будучи частью интернет-магазина, система поиска продуктов в идеале ведет к онлайн-покупке, в то время как традиционные каналы сбыта задействованы в системе поиска продуктов, которая является частью онлайн-презентации (например, магазины, заказ по телефону).

Инструменты поиска продуктов лучше всего подходят для групп продуктов, отдельные продукты которых сопоставимы по определенным критериям. В большинстве случаев это справедливо для технических продуктов, таких как ноутбуки : их характеристики (например, тактовая частота , размер жесткого диска , цена, размер экрана) могут повлиять на решение потребителя.

Помимо технических продуктов, таких как ноутбуки, автомобили, посудомоечные машины, сотовые телефоны или устройства GPS , средства поиска продуктов также могут поддерживать нетехнические продукты, такие как вино, носки, зубные щетки или ногти, поскольку происходит сравнение по характеристикам.

С другой стороны, применение средств поиска продуктов ограничено, когда речь идет об индивидуализированных продуктах, таких как книги, ювелирные изделия или компакт-диски, поскольку потребители не выбирают такие продукты по конкретным, сопоставимым характеристикам.

Более того, средства поиска продуктов используются не только для продуктов в строгом смысле слова, но и для услуг, например, типов счетов в банке, медицинском страховании или поставщиках услуг связи. термин « поиск сервисов» В этих случаях иногда используется .

Средства поиска продуктов используются как производителями, дилерами (в составе нескольких производителей), так и веб-порталами (в состав которых входят несколько дилеров).

Существует попытка интегрировать средства поиска продуктов с социальными сетями и групповыми покупками, что позволит пользователям добавлять и оценивать продукты, местоположения и покупать рекомендованные продукты вместе с другими.

Техническая реализация [ править ]

Технические реализации различаются по своей выгоде для потребителей. В следующем списке представлены основные подходы, от простых до более сложных, каждый с типичным примером:

Диалоговые системы или интерактивные средства поиска продуктов (мастера продуктов) . Интерактивные средства поиска продуктов представляют собой рекомендательные решения на основе диалога , которые предоставляют покупателям персонализированную, ориентированную на их потребности поддержку, когда они хотят выбрать правильный продукт. Решение основано на интерактивном диалоге, в котором пользователь отвечает на пару вопросов. ^{[ нужна ссылка ]} анализирует ответы пользователя, переводит их в характеристики продукта и сопоставляет их с доступными продуктами в фоновом режиме. После каждого процесса пользователю предоставляется список подходящих продуктов. Мастера товаров учитывают ожидания покупателей, их индивидуальные предпочтения и ситуации, чтобы помочь им найти продукты, соответствующие их потребностям, предоставляют подробную информацию о продукте, чтобы повысить доверие покупателя и стимулировать его к покупке в Интернете.
Сравнительная таблица . Сравнительная таблица — это базовая версия средства поиска продуктов, которая позволяет потребителям легко сравнивать продукты. ^{[ нужна ссылка ]} характеристики и цены. Используя структурированные строки и столбцы, сравнительная таблица сравнивает продукты и услуги со всеми соответствующими функциями и ценами, указанными под каждым продуктом. Упрощенный и визуально привлекательный метод позволяет потребителям быстро различать продукты и выбирать тот, который лучше всего соответствует их потребностям.
Деревья меню . Дерево меню представляет собой таблицу, отображающую иерархию элементов, которую можно развернуть или свернуть по усмотрению зрителя. Используя дерево меню, компании могут классифицировать свои продукты, чтобы помочь посетителям ориентироваться и сузить список продуктов, которые они ищут. Это требует некоторых знаний и понимания предоставляемых категорий и ярлыков. Например, на сайте интернет-торговли одеждой может быть раскрывающийся список «Топы», который будет расширен до таких вариантов, как «Футболки», «Свитера» или «Куртки».
Поиск по строкам . Алгоритм поиска по строкам определяет местонахождение нескольких строк меньшего размера в большом тексте. Например, если пользователь вводит «смартфон» в поиск Google , Google будет искать, где находится это ключевое слово в различных сценариях и кодах, чтобы направить пользователя к наиболее актуальной информации.
Системы фильтрации . Система фильтрации информации — это система, которая удаляет избыточную информацию из информационного потока перед ее представлением пользователю-человеку. Цель этих систем — управлять информационной перегрузкой , чтобы пользователи могли быстрее находить полезную информацию. Примером этого могут быть новостные ленты на различных платформах. Например, фильтр блокнота позволяет пользователям выбирать функции, чтобы сузить список отображаемых продуктов. Однако подобные фильтры требуют от пользователя предварительного знания предметной области и функций, доступных для выбора. Еще одним недостатком является вероятность того, что пользователь может получить нулевые результаты через систему фильтрации.
Системы оценки . Системы оценки часто встречаются в рекомендательных системах и позволяют пользователям оценивать продукты, чтобы их могли видеть другие пользователи. Netflix , сервис онлайн-проката DVD и онлайн-трансляции, является прекрасным примером системы подсчета очков. ^[1] реализуется. Netflix позволяет пользователям оценивать телешоу и фильмы по системе от 1 до 5 звезд, где 1 звезда означает «плохо», а 5 звезд — «отлично». Mac Observer, популярный рекомендательный и новостной сайт, на котором публикуются обзоры продуктов Apple, недавно объявил, что собирается изменить свою систему оценки. ^[2] Вместо использования традиционной 5-звездочной системы TMO будет предлагать такие варианты, как «Выдающийся продукт. Получите его сейчас!» или «Не рекомендуется. Держитесь подальше!» как система баллов.
Облака тегов — . Облако тегов это визуальное представление текстовых данных, используемое для упрощения и декодирования ключевых слов и тегов на веб-сайтах. Теги обычно представляют собой отдельные слова, и важность каждого тега определяется цветом и размером слова. Это полезный формат, помогающий пользователям быстро воспринимать наиболее релевантные термины. В средствах поиска продуктов теги облаков тегов будут иметь гиперссылки, чтобы пользователь мог легко перемещаться по веб-сайту. Чтобы найти продукт, который ищет пользователь, он должен найти тег в облаке, щелкнуть его и быть перенаправлен на целевую страницу, где представлен желаемый продукт.
Нейронные сети — . Нейронная сеть это семейство моделей обучения, созданных на основе биологических нейронных сетей (нервных систем животных, в частности мозга), и используемых для оценки предпочтений пользователя. Нейронные сети обладают способностями классификации , включая распознавание образов. Netflix, например, использует нейронную сеть, чтобы определить, какой жанр фильмов вы предпочитаете смотреть. ^[3] Нейронные сети также выполняют обработку данных, включая фильтрацию данных, аналогичную цели системы фильтрации.
Реляционная база данных — . Реляционная база данных это цифровая база данных, которая организует данные в таблицы (или «отношения») строк и столбцов с уникальным ключом для каждой строки. В отличие от иерархических таблиц, таких как деревья меню, таблицы реляционной базы данных могут иметь строки, которые связаны со строками в других таблицах ключевым словом, которое они могут использовать совместно. Отношения между этими таблицами могут принимать несколько форм: «один-к-одному», «один-ко-многим» или «многие-ко-многим». Подобные базы данных позволяют специалистам по поиску продуктов легко обнаружить связи между ключевыми словами, которые использует потребитель. Эта информация помогает этим системам прогнозировать, какие покупки будут интересны потребителям, поэтому программное обеспечение может направлять клиентов к их идеальному продукту и стимулировать продажи.

Электронная коммерция (с использованием машинного обучения) [ править ]

Система поиска продуктов играет важную роль в электронной коммерции : товары должны быть классифицированы, чтобы лучше служить потребителю при поиске желаемого продукта, рекомендательная система для рекомендации товаров на основе их покупок и т. д.По мере того, как люди переходят от офлайн-торговли к онлайн-торговле (электронной коммерции), становится все труднее и обременительнее иметь дело с большим объемом данных о товарах, о людях, которые необходимо хранить и анализировать, чтобы лучше обслуживать потребителей. Большой объем данных невозможно обработать, используя только рабочую силу, нам нужны машины, которые сделают это за нас, они могут эффективно и результативно обрабатывать большие объемы данных.

Крупномасштабная категоризация предметов [ править ]

За последнее десятилетие онлайн-торговля приобрела большую популярность. Крупные онлайн-рынки потребительских товаров, такие как eBay , Amazon и Alibaba, предлагают миллионы товаров, и каждый день на рынок поступает все больше товаров. Категоризация товаров помогает классифицировать продукты и присваивать им бирки и этикетки , что помогает потребителю найти их.Традиционно подход модели «мешок слов» используется для решения проблемы без использования иерархии вообще или с использованием иерархии, определяемой человеком.

Новый метод, ^[4] используя иерархический подход, который разлагает задачу классификации на задачу грубого уровня и задачу тонкого уровня, причем иерархия создается с использованием обнаружения модели скрытого класса . Для выполнения грубой классификации применяется простой классификатор (поскольку данные настолько велики, что мы не можем использовать более сложный подход из-за нехватки времени), тогда как для разделения классов на тонком уровне используется более сложная модель.

Основные моменты/использованные методы:

Обнаружение скрытой группы : используется для поиска групп классов и слов или функций, связанных с каждым классом. Затем мы формируем матрицу путаницы между группами, чтобы аппроксимировать сходство классов, похожие классы сохраняются в группе, и поэтому на каждом этапе мы получаем группы без сходства и, следовательно, получаем дерево иерархии.
На грубом уровне мы классифицируем экземпляр тестирования для одной из групп на первом уровне иерархии. Поскольку набор данных велик, мы не можем использовать сложный алгоритм, и поэтому на этом этапе KNN или Наивный Байес . используется
На тонком уровне мы классифицируем элементы внутри группы в некоторую группу подмножеств, поскольку в группе может быть сходство, мы используем сложный механизм, обычно SVM на каждом узле.
Алгоритм KNN (k ближайших соседей) находит k соседей, которые действительно похожи на тестируемый экземпляр. Он использует евклидову или косинусную функцию подобия, чтобы найти расстояние между каждым классом, а затем выдает верхний k класс.
электроника → мобильный → samsung → чехлы . В этом примере крупнозернистый классификатор сообщает нам, что экземпляр тестирования принадлежит электронной группе, затем мы используем мелкозернистый классификатор на каждом этапе и получаем это дерево.

Проблемы, с которыми сталкиваются эти онлайн-компании электронной коммерции, заключаются в следующем:

Большой Масштаб,
Данные о товаре крайне скудны
Неравномерное распределение по категориям
Гетерогенные характеристики по категориям

См. также [ править ]

Система рекомендаций

Ссылки [ править ]

^ «Вкусовые предпочтения и рекомендации Netflix» . НЕТФЛИКС . Проверено 19 сентября 2015 г.
^ Джон Мартелларо (20 апреля 2015 г.). «Анонсируем новую систему оценки продуктов TMO» . «Макинтош обозреватель» . Проверено 19 сентября 2015 г.
^ Тимоти Прикетт Морган (11 февраля 2014 г.). «Netflix ускоряет машинное обучение с помощью графических процессоров Amazon» . «ПредприятиеТех» . Проверено 19 сентября 2015 г.
^ Дэн Шен; Жан Дэвид Рувини; Бадрул Сарвар (октябрь 2012 г.). «Категоризация крупномасштабных товаров для электронной коммерции» (PDF) . «eBay». Архивировано из оригинала (PDF) 5 октября 2015 г.

[1] «Вкусовые предпочтения и рекомендации Netflix» . НЕТФЛИКС . Проверено 19 сентября 2015 г.

[2] Джон Мартелларо (20 апреля 2015 г.). «Анонсируем новую систему оценки продуктов TMO» . «Макинтош обозреватель» . Проверено 19 сентября 2015 г.

[3] Тимоти Прикетт Морган (11 февраля 2014 г.). «Netflix ускоряет машинное обучение с помощью графических процессоров Amazon» . «ПредприятиеТех» . Проверено 19 сентября 2015 г.

[4] Дэн Шен; Жан Дэвид Рувини; Бадрул Сарвар (октябрь 2012 г.). «Категоризация крупномасштабных товаров для электронной коммерции» (PDF) . «eBay». Архивировано из оригинала (PDF) 5 октября 2015 г.

[1]

[2]

[3]

[4]