Architecture du moteur de recommandations LikeMinds
Obtenez une vue d'ensemble du fonctionnement et de l'architecture du moteur de recommandations de LikeMinds. Pour créer votre propre application de recommandation, vous devez personnaliser les paramètres de LikeMinds Recommendation Engine afin d'utiliser vos applications Web et de base de données.
- Un historique de la navigation d'un utilisateur dans l'application
- Des produits qui s'adaptent le mieux à un produit déjà sélectionné par l'utilisateur.
- des produits achetés ;
- des articles ajoutés ou supprimés d'un panier.
Les préférences de l'utilisateur courant sont rassemblées par le moteur dans ce qu'on appelle le vecteur de classement puis utilisées afin d'identifier les personnes ressemblant le plus à cet utilisateur.
Les personnes ayant un comportement similaire à l'utilisateur actuel deviennent des mentors pour cet utilisateur. LikeMinds Recommendation Engine attribue un poids numérique à chaque mentor selon le degré de similarité du vecteur de classement par rapport au vôtre. Plus les valeurs de classement du mentor sont proches de celles d'un utilisateur et plus le mentor a classé de produits, plus le poids est élevé.
LikeMinds Recommendation Engine regroupe un ensemble de recommandations en trouvant les produits recommandés par chaque mentor et en créant un vecteur de prédiction contenant le classement prédit de chaque produit. Avec chacun des classements prédits, il enregistre également une valeur numérique correspondant au niveau de fiabilité du classement.
Les valeurs de fiabilité déterminent la qualité des prédictions. LikeMinds Recommendation Engine attribue un niveau de fiabilité à chaque recommandation en fonction de la manière dont les utilisateurs ont classé l'article recommandé et du niveau de similitude entre chaque classement.
On attribue à un utilisateur un groupe de mentors seulement après qu'il ait classé un minimum d'articles ou réalisé un minimum d'activités de transaction.
Si vous souhaitez que votre application propose un produit connexe à ajouter au produit déjà sélectionné par l'utilisateur, vous pouvez configurer des paires probables de correspondances entre les produits. Ce concept s'appelle affinité entre produits.
En fonction du type de recommandations que vous souhaitez extraire, vous devez configurer les moteurs correspondants, tels que le moteur Preference ou Item Affinity. L'image ci-après présente l'architecture complète de LikeMinds Recommendation Engine.
