Auf maschinellem Lernen basierende Berichte
Netflix, Amazon und viele andere Unternehmen verwenden „Empfehlungsmaschinen“. Sie haben das vielleicht schon einmal gesehen: Wenn Sie etwas bei Amazon kaufen, werden Ihnen normalerweise andere Produkte empfohlen. Wenn Sie Netflix geschaut haben, werden Ihnen auch Fernsehsendungen und Filme empfohlen.
Wir haben das gleiche Verfahren auf die Nutzung von Premium-Technologien im gesamten Internet angewendet. So können wir vorhersagen, welche Technologien eine Website verwenden könnte, basierend darauf, was Websites mit ähnlichen Websites (nach Nutzung von Premium-Technologien) tun.
So funktioniert es
- Für jede Website mit erheblichen Ausgaben für Technologie finden wir heraus, welche Technologien dazu passen.
- Wir verwenden den Grad der Überschneidung, um die Gewichtung der Empfehlungen dieser Website zu bestimmen. Wenn also eine Website viele Technologien aufweist, werden Premiumtechnologien, die die Site nicht verwendet, stärker empfohlen, als wenn die Websites weniger Premiumtechnologien aufweisen.
In diesem Beispiel hat Overstock Empfehlungen für Arup und umgekehrt. Die Gewichtung der Empfehlungen ist nicht so stark, da die Überschneidung der passenden Technologien relativ gering ist (die meisten Premiumtechnologien werden nicht gemeinsam genutzt).
Warum verwenden wir hierfür kein echtes KI-Modell wie die Matrixfaktorisierung?
Wir haben es versucht, aber die Ergebnisse des Datensatzes waren sehr schlecht und die KI-Modelle verwenden „magische Zahlen“, über die wir keine Kontrolle haben und von denen wir auch kein wirkliches Verständnis haben, was sie tun. Ein gutes Beispiel hierfür ist der MatrixFactorizationTrainer-Code hier. Dort gibt es einen Verweis „Für bessere Ergebnisse verwenden Sie Folgendes“ und dann zwei Variablen ohne Erklärung, warum sie bessere Ergebnisse liefern.
Der von uns verwendete Algorithmus hat eine sehr klare Methodik, wir verstehen, wie er implementiert wird und warum er funktioniert.
Funktioniert er wirklich?
Ja, das glauben wir – zum Beispiel verwenden die „zukünftigen Kunden“ von Magento Enterprise im Allgemeinen bereits „Magento“ als Technologie. Wir haben dem System nicht mitgeteilt, dass diese beiden Technologien verwandt sind oder dass Magento Enterprise-Kunden logischerweise mit Magento beginnen würden.
API-Endpunkt für Empfehlungen
Ja, Sie können über einen API-Endpunkt, der JSON- und XML-Antworten bereitstellt, auf die Daten zugreifen - https://api.builtwith.com/recommendations-api.
Erstellen Sie Ihre eigenen Modelle
Sie müssen BuiltWith Datasets verwenden, um die zugrunde liegenden Daten zum Erstellen Ihrer eigenen Modelle abzurufen.