Vì sao hệ thống đề xuất cũng quan trọng với các doanh nghiệp ngoài những tập đoàn công nghệ lớn?
Hệ thống gợi ý quan trọng với bất kỳ doanh nghiệp nào có nhiều sản phẩm hơn mức khách hàng có thể xem hết, vì những gì hệ thống hiển thị trước quyết định phần lớn những gì được xem, được mua và được nhập thêm hàng.
Xét một cửa hàng trực tuyến bán vật liệu thủ công giả định, Willowmere Crafts, với khoảng 4,000 sản phẩm và đội ngũ 15 người. Trưởng bộ phận thương mại điện tử Hana nhận được lời phàn nàn từ bộ phận thu mua và một báo cáo từ đơn vị dịch vụ đã thiết lập mục 'Có thể bạn cũng thích'. Ghi chú của cô như sau: 'cùng 40 sản phẩm được đề xuất trên gần như mọi trang. dòng sợi đan mùa xuân mới (220 mặt hàng) gần như không có lượt hiển thị đề xuất nào trong 3 tuần. khách quay lại nhận được gợi ý phù hợp, khách lần đầu nhận gợi ý có vẻ ngẫu nhiên. các thương hiệu của nhà sản xuất thủ công độc lập nói họ chưa bao giờ xuất hiện.' Cô cần giải thích cho nhà sáng lập chuyện gì đang xảy ra trước khi yêu cầu đơn vị dịch vụ điều chỉnh.
Hệ thống đề xuất quyết định hiển thị nội dung gì như thế nào?
Hầu hết hệ thống đề xuất sử dụng lọc dựa trên nội dung, lọc cộng tác hoặc kết hợp cả hai. Điểm khác biệt là chúng so sánh các mục với nhau hay so sánh người dùng với nhau.
Lọc dựa trên nội dung
Gợi ý các mặt hàng tương tự những gì một người đã thích, dựa trên đặc điểm của mặt hàng. Khách hàng đã mua len merino sợi to màu xanh mòng két sẽ được giới thiệu các loại len sợi to và sợi màu xanh mòng két khác. Cách này không cần dữ liệu về khách hàng khác, nhưng hiệu quả phụ thuộc vào các đặc điểm mặt hàng đã được xác định và hiếm khi mang đến điều bất ngờ ngoài sở thích quen thuộc của họ.
Lọc cộng tác
Gợi ý những gì người có sở thích tương tự đã thích. Nếu khách hàng mua bộ dụng cụ đan cho người mới thường mua tiếp vòng đánh dấu mũi đan và sách mẫu đan, người mới mua bộ dụng cụ sẽ được giới thiệu những món đó. Cách này có thể tìm ra các gợi ý bất ngờ nhưng hữu ích và không cần mô tả mặt hàng, nhưng phụ thuộc vào lịch sử tương tác.
Hệ thống lai
Kết hợp cả hai, thường kèm các quy tắc đơn giản như loại bỏ mặt hàng hết hàng, để mỗi cách bù đắp điểm yếu của cách còn lại.
Bài toán khởi đầu lạnh là gì?
Vấn đề khởi đầu lạnh là hệ thống đề xuất gặp khó khăn với sản phẩm mới và người dùng mới vì chưa có lịch sử tương tác của họ. Đặc biệt, lọc cộng tác không thể xác định vị trí phù hợp cho một sản phẩm chưa ai mua hoặc nhấp vào, đúng như điều đã xảy ra với dòng sợi mùa xuân của Willowmere, và cũng có rất ít dữ liệu để dựa vào khi có người truy cập lần đầu.
Các cách xử lý phổ biến là dựa vào độ tương đồng về nội dung cho mặt hàng mới, ước tính cho mặt hàng mới dựa trên các mặt hàng cùng danh mục hoặc cùng nhà sản xuất, chủ động hiển thị một tập hợp đa dạng các mặt hàng phổ biến cho khách truy cập mới, và hỏi nhanh một hoặc hai câu về sở thích nếu phù hợp với cửa hàng.
Vòng lặp phản hồi và các vấn đề về tính công bằng phát sinh như thế nào?
Vòng lặp phản hồi xuất hiện khi hệ thống học từ lượt nhấp vào những mục do chính nó chọn hiển thị. Vì vậy, các mục được hiển thị thường xuyên nhận được nhiều lượt nhấp hơn, khiến chúng lại được hiển thị nhiều hơn nữa. Theo thời gian, một nhóm nhỏ sản phẩm phổ biến lấn át mọi sản phẩm khác, như trường hợp 40 sản phẩm của Willowmere, trong khi những mục chưa từng được hiển thị không bao giờ có cơ hội chứng minh giá trị.
Từ đó, vấn đề công bằng được đặt ra ngay. Nếu sản phẩm của các nhà sản xuất độc lập có ít dữ liệu lịch sử hơn ngay từ đầu, vòng lặp này có thể khiến chúng tiếp tục không được hiển thị bất kể chất lượng, và khách hàng mất đi lựa chọn. Các cách khắc phục gồm dành một vài vị trí đề xuất cho sản phẩm mới hơn hoặc ít được hiển thị hơn, đo lường mức độ hiển thị theo nhà sản xuất và danh mục thay vì chỉ tính tổng lượt nhấp, đồng thời cập nhật dữ liệu huấn luyện của mô hình để mô hình không chỉ học từ những lựa chọn trước đây của chính nó.
Yêu cầu gửi đơn vị dịch vụ chưa tốt và yêu cầu đã cải thiện khác nhau như thế nào?
Một yêu cầu yếu sẽ nói: 'Các đề xuất không hiệu quả, vui lòng cải thiện chúng.' Đơn vị cung cấp dịch vụ có thể chỉ huấn luyện lại bằng cách bổ sung thêm cùng loại dữ liệu lượt nhấp, khiến vòng lặp càng mạnh hơn.
Yêu cầu được cải thiện viết: 'Bảng đề xuất của chúng tôi dường như chỉ dựa vào lịch sử mua hàng. Vui lòng (1) dùng các thuộc tính sản phẩm, như chất liệu sợi, trọng lượng, màu sắc và kỹ thuật chế tác, để đề xuất mặt hàng mới cho đến khi chúng có đủ lịch sử; (2) hiển thị cho khách truy cập lần đầu một tập hợp đa dạng thuộc nhiều danh mục thay vì một danh sách bán chạy nhất; (3) dành hai trong tám vị trí cho các mặt hàng ít được hiển thị trong 30 ngày qua; (4) báo cáo hằng tháng tỷ trọng lượt xem đề xuất theo nhà sản xuất và theo thời gian sản phẩm đã có mặt; và (5) chia khách truy cập thành các nhóm để thử nghiệm thay đổi so với bảng hiện tại, đo lường đơn hàng chứ không chỉ lượt nhấp.' Giờ đây Hana có thể đánh giá công việc đã được thực hiện hay chưa.
Làm thế nào để kiểm tra xem các đề xuất có hiệu quả hay không?
Kiểm tra các đề xuất bằng cách xem xét không chỉ lượt nhấp mà cả đơn hàng, hàng trả lại và mức độ phân bổ lượt hiển thị giữa các sản phẩm và nhà cung cấp. Một khu vực đề xuất giúp tăng lượt nhấp vào vài mặt hàng bán chạy nhưng lại che khuất các dòng sản phẩm mới có thể đang gây hại cho doanh nghiệp. Hãy so sánh các thay đổi với một nhóm khách truy cập đối chứng được xem phiên bản cũ, vì các đề xuất hiển thị trong đợt giảm giá hoặc kỳ nghỉ sẽ có vẻ hiệu quả hơn bất kể mô hình nào được sử dụng.
Những sai lầm thường gặp với hệ thống gợi ý là gì?
Sai lầm phổ biến nhất là chỉ tối ưu lượt nhấp, khiến hệ thống ưu tiên những mục bắt mắt và củng cố vòng lặp phản hồi. Những sai lầm khác gồm: ra mắt dòng sản phẩm mới mà không có các thuộc tính nội dung nên gặp khó khăn do chưa có dữ liệu ban đầu, đánh giá thành công bằng cách so sánh trước và sau mà không có nhóm đối chứng, bỏ qua những nhà cung cấp hoặc danh mục không bao giờ xuất hiện, và dùng dữ liệu cá nhân để gợi ý mà không thông báo cho khách hàng trong thông báo quyền riêng tư.
Bài học này nằm ở đâu trên Tosheo.ai?
Bài học này thuộc danh mục học máy trong khóa học học máy, sau các bài về cách mô hình học và được đánh giá. Trong Tosheo.ai, bài thực hành yêu cầu bạn viết bản yêu cầu cải thiện hệ thống gợi ý của một cửa hàng giả định; phản hồi theo bảng tiêu chí sẽ kiểm tra vấn đề khởi đầu thiếu dữ liệu, vòng lặp phản hồi, tính công bằng và cách thử nghiệm công bằng. Đây là kiến thức nền tảng để giao yêu cầu và đánh giá công việc này; xây dựng hệ thống gợi ý bằng mã là nội dung của lộ trình lập trình tùy chọn.