Empfehlungssystem basierend auf Kaufhistorie, nicht Bewertungen

7

Ich untersuche Optionen für Empfehlungssysteme, die für die Versicherungsbranche optimiert sind und die dies berücksichtigen würden

i) Produktbestände

ii) Benutzereigenschaften (Segment, Alter, Wohlstand usw.).

Ich möchte das betonen

a) Es sind keine Produktbewertungen verfügbar, daher ist eine kollaborative Filterung keine Option

b) empfohlene Produkte müssen nicht mit bereits gekauften Produkten vergleichbar sein, daher sind Empfehlungen von Artikel zu Artikel höchstwahrscheinlich nicht relevant.

Denken Sie daran, dass Sie in der Versicherung selten ähnliche Produkte wie die bereits gekauften empfehlen möchten, da es unwahrscheinlich ist, dass jemand mit einer Kfz-Versicherung ein anderes Motorprodukt kaufen möchte, eher zu Hause oder vielleicht auf Reisen usw.

Aus diesem Grund möchte ich Empfehlungen zu Ähnlichkeiten zwischen den Benutzern basierend auf ihrer Kaufhistorie und / oder Demografie entwickeln

Idealerweise möchte ich es in R implementieren können, wenn dies nicht möglich ist, dann in Python. Vielen Dank für Hilfe und Anregungen!

machine-learning python r recommender-system Kasia Kulma
quelle
Lesen Sie mehr über implizite kollaborative Filterung. explizite Bewertungen nicht erforderlich.
Emre
danke, @Emre, das war ein sehr nützliches Schlüsselwort für meine Forschung, Prost!
Kasia Kulma

Antworten:

6

Sie können eine inhaltsbasierte Filterung verwenden, müssen dann jedoch die Daten intelligent vorverarbeiten, um den gesamten Inhalt der Produkte zu extrahieren. Dies kann auch dazu führen, dass einige Funktionen verlassen werden. Dieser Artikel ist ein großer Vorsprung, nachdem Sie alle Daten vorverarbeitet haben.

Sie können auch Pseudobewertungen für ein Produkt gegenüber einem Kunden vornehmen. Das würde von Ihrer Problemstellung abhängen. Einige wenige Vorschläge könnten sein, wie oft der Kunde das bestimmte Produkt in den letzten 1 Monaten gekauft hat, oder Sie könnten auch einen Index erstellen, der definiert, wie häufig der Kunde das Produkt kauft, das mathematisch gesehen die letzten zwei Käufe / Intervalle des Kaufs ist oder auch einen Durchschnitt ergibt der letzten paar Einkäufe und Intervalle.

Nachdem Sie diese Pseudobewertung vorgenommen haben, können Sie alle inhaltsbasierten Funktionen in numerische konvertieren und das Latent-Faktor-Modell für die kollaborative Filterung verwenden. Siehe dieses Video. Python könnte dafür verwendet werden.

janpreet singh
quelle
danke, @janpreet_singh, ich habe über inhaltsbasiertes Filtern nachgedacht, aber ich befürchte, dass es im Ergebnis die ähnlichsten Artikel zu bereits gekauften empfehlen würde. In der Versicherung ist dies selten wünschenswert, da es unwahrscheinlich ist, dass jemand mit der Kfz-Versicherung ein anderes Motorprodukt kaufen möchte, eher zu Hause oder vielleicht auf Reisen usw. Deshalb möchte ich Empfehlungen auf Ähnlichkeiten zwischen den Benutzern basierend auf ihrer Kaufhistorie und stützen / oder Demografie
Kasia Kulma
Gern geschehen @KasiaKulma Sie können den zweiten Ansatz ausprobieren, bei dem es um Pseudo-Bewertungen geht. Dies könnte die Art der Beziehung erfassen, nach der Sie suchen. Die Vorgehensweise ist im Video beschrieben.
Janpreet Singh
Prost, Kumpel, wird auf jeden Fall einen Blick darauf werfen
Kasia Kulma
5

Es sind keine Produktbewertungen verfügbar, daher ist eine kollaborative Filterung keine Option

Falsch. Sie können mit Beständen kollaborativ filtern. Verwenden Sie einfach die Anzahl / Dauer der Bestände anstelle der Bewertungen.

Aus diesem Grund möchte ich Empfehlungen zu Ähnlichkeiten zwischen den Benutzern basierend auf ihrer Kaufhistorie und / oder Demografie entwickeln

Dann sollte jeder inhaltsbasierte Ansatz in Ordnung sein. Ich kann einen guten Artikel namens TrustWalker verwenden, der das Vertrauen zwischen Benutzern verwendet (Sie erstellen Links zwischen ähnlichen Benutzern und verbreiten deren Geschmack im Netzwerk).

Robin
quelle