首页 实战正文

智能推荐用Python实现

访客 实战 2020-07-24 18:55:38 27 0 智能Python
推荐系统分类 有:推荐算法 有:基于关联规则的购物篮推荐 。商品的关联度分析对于 提高商品的活力、挖掘消费者的购买力、促进最大化销售 有很大帮助。其建模理念为:物品被同时购买的模式反映了客户的需求模式, 适用场景 :无需个性化定制的场景;有销售记录的产品,向老客户推荐;套餐设计与产品摆放。购物篮简介什么是购物篮?主要运用在什么场景?: 购物篮的常用算法?关联规则 。购物篮分析其实就是一个因果分析。关联规则其实是一个很方便的发现两样商品关系的算法。共同提升的关系表示两者是正相关,可以作为互补品,如豆瓣酱和葱一起卖也才是最棒的。替代品的概念便是我买了这个就不用买另外一个。考虑购物顺序 : 序贯模型 。多在电商中使用,比如今天你将这个商品加入了购物车,过几天又将另一个商品加入了购物车,这就有了一个前后顺序。但许多实体商店因为没有实名认证,所以无法记录用户的消费顺序。求出互补品与互斥品后对布局有什么用?排斥关系 :指两个产 品基本上不会出现在同一张购物小票中,这种商品尽量不要陈列在一起。支持度 , 可信度 和 提升度 。还有以下两个问题想补充 :仅看支持度和置信度是否靠谱?Support =P(牛肉&米饭)= 400/1000=0.40; Confidence =P(米饭|牛肉)=400/600=0.67 置信度 和 支持度 都很高,但是给买牛肉的人推荐米饭有意义吗?显然是没有任何意义的。因为无任何条件下用户购买米饭的概率:P(米饭)=800/1000=0.8,都已经大过买了牛肉的前提下再买米饭的概率 0.67,毕竟米饭本来就比牛肉要畅销啊。提升度 的概念:提升度 = 置信度/无条件概率 =0.67/0.8。规则 X(A→B) 的提升度为 n 时:向购买了 A 的客户推荐 B 的话,这个客户购买 B 的概率是 TA 自然而然购买 B 的 n × 100% 左右。生活理解:消费者平时较少单独购买桌角防撞海绵,可能偶尔想到或自己小孩碰到的时候才会想起购买,如果我们在桌子(书桌饭桌)的成功下单页面添加桌角防撞海绵的推荐,则很大程度上可以提高防撞海绵的销量。这也符合我们希望 通过畅销商品带动相对非畅销商品 的宗旨。明白背后的原理与不同算法的使用场景与优劣比较 。探索性分析生成购物篮 ,并将同一个客户购买的所有商品放入同一个购物篮,需要提前使用 pip install Apriori 安装,之后我们使用 Apriori 包中的 dataconvert 函数, 下面是需要传入的参数解释生成关联规则 ,根据排列组合,可知这些交易将会产生 21255×21254÷2 这么多个关联规则。 首先就要满足支持度的要求,太小则直接被删去,支持度的大小可根据关联规则的多少调整 如果关联规则很少,可根据实际情况放宽支持度的要求。相关参数说明:筛选互补品和互斥品 ,代码如下获得最高的营销响应率 ,那在他付费成功页面上最应该推荐什么产品?最大化提升总体的销售额 ,那么在他付费成功的页面上应该推荐什么产品?提升度通俗含义: 提升度是相对于自然而然购买而言,A对B的提升度为4.0的理解如下:向购买了A的用户推荐B,则该用户购买B的概率是该用户单独(即自然而然的购买)购买B的概率的 400% 向购买了A的用户推荐B,则该用户购买B的概率比该用户单独(即自然而然的购买)购买B的概率高 300% !过大的客户量与其产生的数据 ,所以一般到了最后用的都是 混合推荐 。至于更深层次的序贯模型与协同过滤,大部分都是使用分布式框架如 Spark。大家平时学习Python的时候肯定会遇到很多问题,小编我为大家准备了Python学习资料,将这些免费分享给大家!如果想要的可以找我领取领取方式:如果这篇文章对你有帮助,请记得给我来个评论+转发
版权声明

旭日软件园-提供免费小软件下载,电脑教程和QQ表情包下载为主要宗旨.同时有网站运营,
编程教程,网页特效,手机教程,游戏攻略和IT资讯等内容,打造常用软件下载、内容丰富的站长学习!

本文链接:http://www.webmaster5u.com/sz/393.html

评论