Génération de recommandations LikeMinds

En savoir plus sur comment LikeMinds génère des recommandations lorsqu'un utilisateur se connecte ou navigue sur votre site Web.

Lorsqu'un utilisateur se connecte et navigue via votre site Web, LikeMinds exécute les étapes suivantes afin de générer des recommandations pour cet utilisateur :
  1. Les beans Rating et Action Logging de Personalization créent un enregistrement pour les nouveaux utilisateurs dans la table Lps_User_Data. Cette table enregistre les types d'informations suivants sur l'utilisateur : l'ID ressource de l'utilisateur, l'ID utilisateur, le nombre d'articles que l'utilisateur a classés ou sélectionnés, etc.
  2. Les beans Rating et Action Logging de Personalization consignent des données pour l'utilisateur à chaque fois que celui-ci se connecte sur le site Web.

    Les données du profil sont tout d'abord stockées dans la mémoire cache du serveur qui écrit ensuite toutes les nouvelles données dans la base de données. La table Lps_User_Rating stocke les préférences explicites de l'utilisateur ; la table Lps_User_Trx stocke le comportement d'achat et de parcours de l'utilisateur. La table Lps_User_Trx stocke également les données d'entrée relatives à l'affinité entre articles.

  3. L'application peut désormais lancer une requête LikeMinds pour obtenir des recommandations. Les requêtes de recommandations sont spécifiques aux données de transaction.
    • Les recommandations Preference sont retournées par la règle de recommandation de contenu. Afin d'obtenir les recommandations Preference, votre application doit enregistrer les préférences explicites des utilisateurs (classements) à l'aide du bean Rating.
    • Les recommandations de parcours de navigation sont retournées par la règle de recommandation de contenu. Pour obtenir les recommandations de parcours de navigation, votre application doit enregistrer les comportements de parcours des utilisateurs (c'est-à-dire les vues des détails du produit, les insertions dans le panier, etc.) à l'aide du bean Action.
    • Les recommandations d'affinité entre articles sont au format suivant : this mouth guard is a likely product to go along with the hockey puck the user has just added to his or her shopping cart... Pour recevoir des recommandations d'affinités entre articles, votre application doit enregistrer les correspondances entre les paires de produits des utilisateurs. En d'autres termes, votre application doit enregistrer le contexte "contenu/produit" actuel à l'aide du bean Action afin de renvoyer les articles qui correspondent le mieux à ce contexte "contenu/produit".
  4. Selon le moteur utilisé, l'étape suivante est :
    • Moteurs de préférences et Clickstream : Si, pour un nouvel utilisateur, votre application lance une requête auprès de LikeMinds pour obtenir des recommandations avant que des mentors n'aient été affectés pour ce type de données (c'est-à-dire Préférence, Clickstream ou Affinité entre articles), le serveur affecte les mentors à partir d'un pool de mentors en mémoire cache.

      Si, par manque de données de profil, le serveur ne peut pas mettre les mentors en cache en correspondance avec cet utilisateur, il va proposer un ensemble vide de recommandations. Il est important de préciser que les données de profil correspondent aux données de transaction de l'utilisateur actuel et non les attributs de cet utilisateur.

    • Moteur d'affinités entre articles : Si votre application prévoit des correspondances de paires de produits d'affinité entre articles, elle récupérera les données en fonction d'un ensemble de définitions que vous créez, appelé groupe Affinités entre articles. Pour les données d'entrée, le groupe Affinité entre articles utilise des transactions à partir d'une table d'entrée spécifiée.
  5. Selon le moteur utilisé, l'étape suivante est :
    • Moteurs de préférences et Clickstream : Lorsque le profil d'un utilisateur est stocké dans la base de données, l'utilitaire sifter peut calculer les mentors pour cet utilisateur. sifter est un utilitaire d'arrière-plan qui affecte un ensemble de mentors à chaque utilisateur.
      • Les affectations de mentors sont spécifiques à chaque type de données.
      • Elles sont stockées dans la table des mentors associée à ce type de données.
    • Moteur d'affinités entre articles : L'accumulator génère des correspondances de paires de produits d'affinité entre articles en analysant les données du groupe Affinité entre articles et en enregistrant les résultats dans une table de sortie.
  6. Selon le moteur utilisé, l'étape suivante est :
    • Moteurs de préférences et Clickstream : puisque de nouvelles données de transaction sont enregistrées pour un utilisateur, ce dernier est à nouveau traité en priorité par l'utilitaire sifter qui calcule de nouvelles affectations de mentors. La priorité accordée aux utilisateurs est déterminée par le calcul d'une 'sift priority', reflétant le pourcentage des données de profil nouvelles ou mises à jour pour ce visiteur.
    • Moteur d'affinités entre articles : puisque de nouveaux comportements de sélection de produits sont enregistrés dans la table d'entrée des transactions spécifiée dans la définition du groupe Affinité entre articles, l'accumulator utilise ces données afin de calculer les recommandations de nouvelles affinités entre articles.
  7. Lorsque votre application exécute des règles LikeMinds, voici ce qui se produit, en fonction du moteur :
    • Preference and Clickstream engines: LikeMinds recherche les mentors de cet utilisateur et calcule les recommandations.
    • Item Affinity engine: LikeMinds calcule les paires article-contenu les plus probables, selon l'historique des transactions d'articles.