التقارير المستندة إلى التعلم الآلي تستخدم Netflix وAmazon والعديد من الشركات الأخرى "محركات التوصية". ربما تكون قد رأيت هذا عندما تشتري شيئًا ما على أمازون، فهو يوصي عمومًا بمنتجات أخرى لك. إذا كنت قد شاهدت Netflix، فسوف تقدم أيضًا العروض التلفزيونية والأفلام الموصى بها.لقد طبقنا نفس العملية على استخدام التكنولوجيا المتميزة عبر الإنترنت بالكامل. ويتيح لنا ذلك التنبؤ بالتقنيات التي قد يفكر موقع الويب في استخدامها استنادًا إلى ما تفعله مواقع الويب ذات المواقع المشابهة (حسب استخدام التكنولوجيا المتميزة).كيفية العملبالنسبة لكل موقع ويب ينفق قدرًا كبيرًا على التكنولوجيا، نجد ما يناسبه من التقنياتنستخدم مقدار التقاطع لتحديد أهمية موقع الويب لتوصياته. لذلك، إذا كان موقع الويب يتطابق مع الكثير من التقنيات، فإن أي تقنيات متميزة لا يستخدمها الموقع يوصى بها بشدة أكثر مما لو كانت مواقع الويب تتطابق مع عدد أقل من التقنيات المتميزةفي هذا المثال، لدى Overstock توصيات لـ Arup والعكس صحيح. إن ترجيح التوصيات ليس بهذه القوة نظرًا لأن تقنية المطابقة الخاصة بها منخفضة إلى حد ما (لا تتم مشاركة معظم التقنيات المتميزة).لماذا لا نستخدم نموذجًا حقيقيًا للذكاء الاصطناعي مثل Matrix Factorization للقيام بذلك؟ لقد حاولنا ولكن نتائج مجموعة البيانات كانت سيئة للغاية وتستخدم نماذج الذكاء الاصطناعي "أرقامًا سحرية" ليس لدينا أي سيطرة عليها أو أي فهم حقيقي لما تفعله. يوجد مثال جيد على ذلك في كود MatrixFactorizationTrainer هنا< /a> هناك مرجع "للحصول على نتائج أفضل استخدم ما يلي" ثم متغيرين دون أي تفسير لسبب إنتاجهما لنتائج أفضل. تتمتع الخوارزمية التي نستخدمها بمنهجية واضحة جدًا، ونحن نفهم كيفية تنفيذها وسبب عملها.هل يعمل هذا بالفعل؟نعم، نعتقد ذلك - على سبيل المثال، يستخدم "العملاء المستقبليون" لـ Magento Enterprise بشكل عام بالفعل "Magento" كتقنية. ولم نخبر النظام أن هاتين التقنيتين مرتبطتان أو أن عملاء Magento Enterprise سيبدأون منطقيًا باستخدام Magento.نقطة نهاية واجهة برمجة التطبيقات للتوصياتنعم، يمكنك الوصول إلى البيانات عبر نقطة نهاية واجهة برمجة التطبيقات التي توفر استجابات JSON وXML - https://api.builtwith.com/recommendations-api.إنشاء نماذجك الخاصةتحتاج إلى استخدام BuiltWith Datasets للحصول على البيانات الأساسية لبناء موقعك النماذج الخاصة.