Rapports basés sur l'apprentissage automatique

Netflix, Amazon et de nombreuses autres sociétés utilisent des « moteurs de recommandation ». Vous l'avez peut-être vu lorsque vous achetez quelque chose sur Amazon, il vous recommande généralement d'autres produits. Si vous avez regardé Netflix, il vous proposera également des émissions de télévision et des films recommandés.

Nous avons appliqué le même processus à l'utilisation des technologies haut de gamme sur l'ensemble d'Internet. Cela nous permet de prédire quelles technologies un site Web pourrait envisager d'utiliser en fonction de ce que font des sites Web ayant des sites Web similaires (en termes d'utilisation de technologies premium).

Comment ça marche

• Pour chaque site Web nécessitant des dépenses technologiques importantes, nous recherchons quelles technologies correspondent
• Nous utilisons le nombre de croisements pour déterminer le poids que le site Web attribue à ses recommandations. Ainsi, si un site Web correspond à de nombreuses technologies, toutes les technologies premium que le site n'utilise pas sont plus fortement recommandées que si les sites Web correspondent à moins de technologies premium.

Pourquoi n'utilisons-nous pas un véritable modèle d'IA comme la factorisation matricielle pour ce faire ?
Nous avons essayé, mais les résultats de l'ensemble de données étaient très médiocres et les modèles d'IA utilisent des « nombres magiques » sur lesquels nous n'avons aucun contrôle ni une réelle compréhension de ce qu'ils font. Un bon exemple de ceci se trouve dans le code MatrixFactorizationTrainer ici< /a> il y a une référence "Pour de meilleurs résultats, utilisez ce qui suit", puis deux variables sans aucune explication sur la raison pour laquelle elles produisent de meilleurs résultats.

L'algorithme que nous utilisons a une méthodologie très claire, nous comprenons comment il est mis en œuvre et pourquoi il fonctionne.

Est-ce que cela fonctionne vraiment ?
Oui, nous le pensons - par exemple, les « futurs clients » de Magento Enterprise utilisent généralement déjà « Magento » comme technologie. Nous n'avons pas indiqué au système que ces deux technologies sont liées ou que les clients Magento Enterprise commenceraient logiquement par Magento.

Point de terminaison de l'API des recommandations
Oui, vous pouvez accéder aux données via un point de terminaison de l'API fournissant des réponses JSON et XML - https://api.builtwith.com/recommendations-api.

Créez vos propres modèles
Vous devez utiliser BuiltWith Datasets pour obtenir les données sous-jacentes permettant de créer votre propres modèles.