Из Википедии, бесплатной энциклопедии
Перейти к навигации Перейти к поиску

Поисковики продуктов - это информационные системы, которые помогают потребителям идентифицировать продукты в большой палитре аналогичных альтернативных продуктов. Средства поиска продуктов различаются по сложности, наиболее сложным из них является частный случай систем поддержки принятия решений . Однако обычные системы поддержки принятия решений нацелены на специализированные группы пользователей, например менеджеров по маркетингу, тогда как специалисты по поиску продуктов сосредоточены на потребителях.

Область применения [ править ]

Обычно поисковые системы являются частью интернет-магазина или онлайн-презентации линейки продуктов. Будучи частью электронного магазина, средство поиска продуктов в идеале ведет к покупке в Интернете, в то время как традиционные каналы распространения задействованы в средствах поиска товаров, которые являются частью онлайн-презентации (например, магазины, заказ по телефону).

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

Наряду с техническими продуктами, такими как ноутбуки, автомобили, посудомоечные машины, сотовые телефоны или устройства GPS , поисковики также могут поддерживать нетехнические продукты, такие как вино, носки, зубные щетки или гвозди, при этом проводится сравнение по характеристикам.

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

Кроме того, средства поиска продуктов используются не только для продуктов sensu stricto, но и для услуг, например, типов счетов банка, медицинского страхования или поставщиков услуг связи. В этих случаях иногда используется термин « поиск услуг» .

Средства поиска продуктов используются как производителями, дилерами (в том числе несколькими производителями), так и веб-порталами (в составе нескольких дилеров).

Существует шаг к интеграции средств поиска продуктов с социальными сетями и групповыми покупками, позволяющими пользователям добавлять и оценивать продукты, местоположения и покупать рекомендованные продукты вместе с другими.

Техническая реализация [ править ]

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

  1. Диалоговые системы или интерактивные средства поиска товаров (мастера товаров). Интерактивные средства поиска товаров представляют собой рекомендательные решения на основе диалогов, которые предоставляют покупателям персонализированную поддержку, ориентированную на потребности, если они хотят выбрать правильный товар. На основе интерактивного диалога, в котором пользователь отвечает на пару вопросов, решение [ необходима 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 продуктов учитывают ожидания покупателей, индивидуальные предпочтения и ситуации, чтобы помочь им найти продукты, которые соответствуют их потребностям, предоставляют подробную информацию о продуктах, чтобы повысить доверие покупателей и поощрять совершение покупок в Интернете.
  2. Сравнительная таблица - сравнение таблица является базовой версией искателем продукта , что позволяет потребителям легко сравнить продукты, [ править ] особенности и цены. Используя структурированные строки и столбцы, сравнительная таблица помещает продукты и услуги рядом 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.
  3. Деревья меню. Дерево меню - это таблица, в которой отображается иерархия элементов, которые можно развернуть или свернуть для удобства зрителя. Используя дерево меню, компании могут классифицировать свои продукты, чтобы помочь посетителям сориентироваться и сузить круг интересующих их продуктов. Это требует некоторых знаний и понимания категорий и ярлыков. Например, на сайте розничной торговли одеждой в Интернете может быть раскрывающееся меню «Топы», которое может быть расширено до вариантов, включая «Футболки», «Свитера» или «Куртки».
  4. Строковый поиск . Алгоритм строкового поиска определяет, где несколько меньших строк находятся в большом тексте. Например, если пользователь набрал «смартфон» в поиске Google , Google будет искать, где находится это ключевое слово в различных сценариях и кодах, чтобы направить пользователя к наиболее релевантной информации.
  5. Системы фильтрации - An фильтрации информации система представляет собой систему , которая удаляет избыточную информацию из информационного потока , прежде чем представить его пользователю человека. Эти системы предназначены для управления информационной перегрузкой, чтобы пользователи могли сразу же находить более полезную информацию. Примером этого могут быть новостные ленты на различных платформах. Например, фильтр записной книжки позволяет пользователям выбирать функции, чтобы сузить список отображаемых продуктов. Однако такие фильтры требуют, чтобы у пользователя были предварительные знания о предметной области и функциях, которые доступны для выбора. Другой недостаток - это вероятность того, что пользователь может получить нулевые результаты через систему фильтрации.
  6. Системы оценки - системы оценки часто встречаются в рекомендательных системах и позволяют пользователям оценивать продукты, чтобы их могли видеть другие пользователи. Netflix , онлайн-прокат DVD и онлайн-сервис потоковой передачи, является прекрасным примером внедряемой системы подсчета очков [1] . Netflix позволяет пользователям оценивать телешоу и фильмы по системе от 1 до 5, где 1 звезда - плохо, а 5 звезд - отлично. Mac Observer, популярный рекомендательный и новостной сайт, на котором рассматриваются продукты Apple, недавно объявил, что они изменят свою систему подсчета очков. [2] Вместо использования традиционной 5-звездочной системы TMO будет предлагать такие варианты, как «Превосходный продукт. Получите его сейчас!» или «Не рекомендуется. Держитесь подальше!» как система подсчета очков.
  7. Пометка облака - это облако тегов является визуальным представлением текстовых данных, [3] используются для упрощенны и расшифровывать ключевые слова и метки на тегах websites.The обычно являются отдельными словами и важности каждого тега представлена цвета и размером слова . Это полезный формат, помогающий пользователям быстро усвоить наиболее подходящие термины. В средствах поиска продуктов теги облака тегов будут иметь гиперссылки, чтобы пользователь мог легко перемещаться по веб-сайту. Чтобы найти продукт, который ищет пользователь, он найдет тег в облаке, щелкнет по тегу и будет перенаправлен на целевую страницу, где представлен желаемый продукт.
  8. Нейронные сети - Нейронная сеть - это семейство моделей обучения, вдохновленных биологическими нейронными сетями (нервной системой животных, в частности мозгом), и используются для оценки предпочтений пользователей. Нейронные сети обладают способностями к классификации , включая распознавание образов. Netflix, например, использует нейронную сеть, чтобы узнать, какой жанр фильмов вы предпочитаете смотреть. [4] Нейронные сети также выполняют обработку данных, включая фильтрацию данных, аналогично целям системы фильтрации.
  9. 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 с помощью ключевого слова, 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 обнаруживать взаимосвязи между ключевыми словами, которые использует потребитель. Эта информация помогает этим системам предсказать, что потребители будут интересовать при покупке, чтобы программное обеспечение могло направлять клиентов к их идеальному продукту и стимулировать продажу.

Электронная торговля (с использованием машинного обучения ) [ править ]

Средство поиска продуктов играет важную роль в электронной коммерции , товары должны быть классифицированы, чтобы лучше обслуживать потребителя при поиске желаемого продукта, система рекомендаций для рекомендации товаров на основе их покупок и т. Д. По мере того, как люди переходят от офлайн к онлайн-торговле (электронная коммерция ), становится все труднее и громоздче иметь дело с большим объемом данных об элементах, людях, которые необходимо хранить и анализировать, чтобы лучше обслуживать потребителей. Невозможно обработать большие объемы данных, используя только человеческие ресурсы, нам нужна машина, чтобы делать эти вещи за нас, они могут эффективно и действенно обрабатывать большие объемы данных.

Категоризация крупномасштабных предметов [ править ]

Интернет-торговля приобрела большую популярность за последнее десятилетие. Крупные онлайн-потребители на потребительские торговые площадки, такие как eBay , Amazon , Alibaba, предлагают очень большие почти миллионы товаров, которые ежедневно поступают на рынок. Пункт категоризация помогает в классификации продукта и давать им метку и метки , которые помогают потребителю найти его. Традиционно для решения проблемы используется метод « мешка слов», при котором не используется иерархия вообще или используется иерархия, определяемая человеком.

Но появился новый метод [5], использующий иерархический подход, который разделяет проблему классификации на задачу грубого уровня и задачу тонкого уровня, с иерархией, созданной с использованием обнаружения модели скрытых классов . Для выполнения грубой классификации применяется простой классификатор (поскольку данные настолько велики, что мы не можем использовать более сложный подход из-за проблем со временем), в то время как более сложная модель используется для разделения классов на точном уровне.

Основные моменты / используемые методы:

  • Скрытое групповое обнаружение : 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, не имеющие сходства, и, следовательно, мы получаем дерево иерархии.
  • На грубом уровне мы классифицируем тестируемый экземпляр для одной из групп на первом уровне иерархии. Поскольку набор данных велик, мы не можем использовать программный алгоритм, и поэтому на этом этапе используется либо KNN, либо наивный байесовский алгоритм .
  • На более тонком уровне мы классифицируем элементы внутри группы в некоторую группу подмножества, поскольку в группе может быть сходство, мы используем так называемый механизм, обычно SVM на каждом узле.
  • Алгоритм KNN (k ближайших соседей) находит k соседей, которые действительно похожи на тестовый экземпляр, он использует функцию сходства евклидова или косинуса, чтобы найти расстояние между каждым классом, а затем выдает верхний класс k.
  • электроника → мобильный → samsung → чехлы . В этом примере крупнозернистый классификатор сообщит нам, что тестируемый экземпляр принадлежит к электронной группе, затем мы используем мелкозернистый классификатор на каждом этапе, и мы получили это дерево.

Проблемы, с которыми сталкиваются эти компании, занимающиеся электронной коммерцией, заключаются в следующем:

  1. Большой масштаб,
  2. Данные о предметах крайне скудны
  3. Неравномерное распределение по категориям
  4. Неоднородные характеристики по категориям

Рекомендательная система [ править ]

Системы рекомендаций используются для рекомендации потребительских товаров / товаров на основе их покупок или истории поиска.

См. Также [ править ]

  • Система рекомендаций

Ссылки [ править ]

  1. ^ "Вкусовые предпочтения и рекомендации Netflix" . NETFLIX . Проверено 19 сентября 2015 . CS1 maint: обескураженный параметр ( ссылка )
  2. Джон Мартелларо (20 апреля 2015 г.). «Анонсирование новой системы оценки продуктов TMO» . «Обозреватель Mac» . Проверено 19 сентября 2015 . CS1 maint: обескураженный параметр ( ссылка )
  3. ^ "Визуализатор облака тегов" . TagCrowd.com . Проверено 19 сентября 2015 . CS1 maint: обескураженный параметр ( ссылка )
  4. ^ Тимоти Прикетт Morgan (11 февраля 2014). «Netflix ускоряет машинное обучение с помощью графических процессоров Amazon» . «ЭнтерпрайзТех» . Проверено 19 сентября 2015 . CS1 maint: обескураженный параметр ( ссылка )
  5. ^ Дэн шен; Жан Дэвид Рувини; бадрул сарвар (октябрь 2012 г.). «Категоризация крупномасштабных товаров для электронной коммерции» (PDF) . "е-бэй". Архивировано из оригинального (PDF) 05.10.2015. CS1 maint: обескураженный параметр ( ссылка )