Des entreprises comme Netflix et Amazon utilisent des systèmes de recommandation pour suggérer des produits ou des contenus en fonction du comportement des utilisateurs. Par exemple, lorsque vous achetez un article sur Amazon, d'autres produits susceptibles de vous intéresser vous sont proposés. De même, Netflix vous suggère des séries et des films en fonction de vos visionnages.
Nous avons appliqué ce même concept à l'adoption des technologies premium sur Internet. Notre système prédit les technologies qu'un site web pourrait envisager d'utiliser en analysant le comportement d'autres sites web présentant des profils technologiques premium similaires.
Comment ça marche
- Nous identifions les sites web qui investissent de manière significative dans la technologie et déterminons quelles technologies ils utilisent.
- Nous mesurons le chevauchement entre ces technologies afin d'établir le niveau de similarité entre les sites web.
- Plus le chevauchement est important, plus la recommandation concernant les technologies haut de gamme utilisées par un site et non par l'autre est forte.
Pourquoi nous n'utilisons pas un modèle d'IA traditionnel
Vous vous demandez peut-être pourquoi nous n'utilisons pas une approche d'apprentissage automatique comme la factorisation matricielle pour notre système de recommandation. Nous avons testé plusieurs modèles d'IA, mais les résultats étaient décevants. Ces modèles reposent également sur des paramètres internes complexes, souvent appelés « nombres magiques », difficiles à interpréter et à contrôler.
Par exemple, la documentation de MatrixFactorizationTrainer contient la phrase « Pour de meilleurs résultats, utilisez les paramètres suivants », suivie de deux variables non expliquées. Aucune explication n'est fournie quant à la raison pour laquelle ces valeurs améliorent les résultats, ce qui rend le modèle difficile à valider et à considérer comme fiable.
L'algorithme que nous avons choisi, en revanche, suit une méthodologie claire et bien maîtrisée. Nous savons précisément comment il fonctionne, comment il est mis en œuvre et pourquoi il produit des résultats pertinents.
Est-ce que ça fonctionne vraiment ?
Oui. Par exemple, le modèle indique que les sites web susceptibles d'adopter Magento Enterprise utilisent souvent déjà Magento. Cette corrélation n'a pas été définie manuellement ni intégrée au système ; elle a été découverte grâce aux données elles-mêmes.
API de recommandations
Les recommandations sont accessibles par programmation via notre API, qui fournit des réponses aux formats JSON et XML.
https://api.builtwith.com/recommendations-api Construisez vos propres modèles
Vous pouvez créer vos propres modèles à l'aide des ensembles de données BuiltWith, qui fournissent les données sous-jacentes nécessaires à l'entraînement et à l'expérimentation.