Отчеты на основе машинного обучения
Netflix, Amazon и многие другие компании используют «системы рекомендаций». Возможно, вы видели это, когда вы покупаете что-то на Amazon, он обычно рекомендует вам другие продукты. Если вы смотрели Netflix, он также предложит рекомендуемые телешоу и фильмы.
Мы применили тот же процесс к использованию технологий премиум-класса во всем Интернете. Это позволяет нам прогнозировать, какие технологии может рассмотреть возможность использования веб-сайта, основываясь на том, что делают веб-сайты с похожими веб-сайтами (по использованию технологий премиум-класса).
Как это работает
<ул>Для каждого веб-сайта со значительными затратами на технологии мы находим подходящие технологии.Мы используем степень пересечения, чтобы определить вес рекомендаций веб-сайта. Таким образом, если веб-сайт соответствует множеству технологий, любые премиальные технологии, которые сайт не использует, более настоятельно рекомендуются, чем если бы веб-сайты соответствовали меньшему количеству премиальных технологий.
В этом примере Overstock предлагает рекомендации для Arup и наоборот. Вес рекомендаций не так велик, поскольку их соответствие технологиям довольно низкое (большинство технологий премиум-класса не используются совместно).
Почему бы нам не использовать для этого настоящую модель искусственного интеллекта, такую как матричная факторизация?
Мы попробовали, но результаты набора данных были очень плохими, а модели ИИ используют «магические числа», над которыми мы не можем контролировать или какого-либо реального понимания того, что они делают. Хорошим примером этого является код MatrixFactorizationTrainer здесь< /a> есть ссылка «Для лучших результатов используйте следующее», а затем две переменные без объяснения того, почему они дают лучшие результаты.
Алгоритм, который мы используем, имеет очень четкую методологию, мы понимаем, как он реализован и почему работает.
Действительно ли это работает?
Да, мы так думаем – например, «будущие клиенты» Magento Enterprise обычно уже используют «Magento» в качестве технологии. Мы не сообщили системе, что эти две технологии связаны между собой или что клиентам Magento Enterprise логично начать с Magento.
Конечная точка API рекомендаций
Да, вы можете получить доступ к данным через конечную точку API, предоставляющую ответы JSON и XML — https://api.builtwith.com/recommendations-api.
Создавайте свои собственные модели
Вам необходимо использовать BuiltWith Datasets, чтобы получить базовые данные для построения вашей модели. собственные модели.