Recommendation engine

Wat is een recommendation engine?

Een recommendation engine is een machine learning (ML) systeem dat expliciete en impliciete feedback van eindgebruikers gebruikt om voorspellingen te doen over welke digitale content – inclusief advertenties – een eindgebruiker geïnteresseerd zou kunnen zijn om te bekijken.

In e-commerce kunnen recommendation engines worden gebruikt om bezoekers van partnerwebsites te segmenteren in cohorten en hen te benaderen met relevante product- en contentsuggesties. Aanbevelingen zijn meestal het meest nauwkeurig als de engine toegang heeft tot gedetailleerde informatie over contentitems en historische gegevens voor specifieke eindgebruikers en cohorten.

Recommendation engines worden meestal gecategoriseerd als CF (collaborative filtering)-systemen, contentgebaseerde systemen of hybride systemen.

Techopedia verklaart recommendation engines

Recommendation engines staan ook bekend als recommendation systems. Omdat mobiele apps en andere technologische ontwikkelingen de manier waarop gebruikers informatie kiezen en gebruiken blijven veranderen, worden recommendation engines een integraal onderdeel van websites en softwareproducten.

Hoe werkt een recommendation engine?

Recommendation engines gebruiken machine learning algoritmes en statistische modellen om de waarschijnlijkheid te berekenen dat een eindgebruiker een voorgestelde actie zal ondernemen.

Op content gebaseerde engines baseren voorspellingen op de interesse van eindgebruikers voor een specifiek content item. Als er op een content item is gereageerd, gebruikt de engine metadata om soortgelijke content items te identificeren en aan te bevelen. Dit type recommendation system wordt vaak gebruikt door nieuwswebsites en kan worden herkend aan prompts zoals “Misschien bent u ook geïnteresseerd in het lezen van…”.

Collaborative recommendation engines analyseren het gedrag van eindgebruikers binnen een specifiek platform om voorspellingen te doen over een specifieke eindgebruiker of cohort. Dit type recommendation system kan gebaseerd zijn op het geheugen of op een model en wordt vaak gebruikt door e-commerce websites. Collaborative engines en kunnen worden herkend aan prompts zoals “Mensen die dit kochten, kochten ook…”.

Hybride recommendations engines compenseren de beperkingen van contentgebaseerde en collaboratieve modellen door zowel metadata als transactiegegevens te gebruiken om toekomstige acties voor te stellen. Hybride engines kunnen analyseren op welke digitale content een eindgebruiker eerder heeft gereageerd en soortgelijke content aanbevelen, terwijl ze ook rekening houden met demografische gegevens en historische gegevens die zijn gegenereerd door mensen met vergelijkbare interesses. Hybride engines zijn herkenbaar aan meerdere soorten aanwijzingen op dezelfde pagina.

Rol van impliciete en expliciete gegevens

Contentgebaseerde recommendation engines vertrouwen vaak op expliciete gegevens om voorspellingen te doen. Dit soort gegevens moeten handmatig worden ingevoerd door de eindgebruiker. Sterbeoordelingen en gebruikersprofielen zijn een populaire bron van expliciete gegevens voor recommendation engines.

Systemen voor collaboratieve aanbevelingen gebruiken impliciete gegevens. Dit type gegevens is gebaseerd op gebruikersgedrag en is afhankelijk van cookies die, eenmaal geaccepteerd, kunnen worden gebruikt om het online gedrag van een eindgebruiker op één website te volgen.

Hybride recommendation engines gebruiken zowel impliciete als expliciete gegevens om aanbevelingen te doen. Dit type geavanceerde recommendation engine gebruikt zowel op content gebaseerde als collaboratieve aanbevelingen en kan gegevens van meerdere partnerwebsites gebruiken om aanbevelingen te doen.