Scopri come FinalMLP trasforma i consigli online: sbloccando esperienze personalizzate con una ricerca sull’intelligenza artificiale all’avanguardia
Questo post è stato scritto in collaborazione con Rafael Guedes.
Il mondo si sta evolvendo verso un’era digitale in cui tutti hanno quasi tutto ciò che desiderano a portata di clic. Questi vantaggi di accessibilità, comfort e una grande quantità di offerte comportano nuove sfide per i consumatori. Come possiamo aiutarli a fare scelte personalizzate invece di cercare in un oceano di opzioni? È qui che entrano in gioco i sistemi di raccomandazione.
I sistemi di raccomandazione sono utili alle organizzazioni per aumentare il cross-selling e le vendite di articoli a coda lunga e per migliorare il processo decisionale analizzando ciò che piace di più ai loro clienti. Non solo, possono apprendere i comportamenti passati dei clienti e, dato un insieme di prodotti, classificarli in base a una specifica preferenza del cliente. Le organizzazioni che utilizzano sistemi di raccomandazione sono un passo avanti rispetto alla concorrenza poiché forniscono un’esperienza cliente migliorata.
In questo articolo, ci concentriamo su FinalMLP, un nuovo modello progettato per migliorare le previsioni sulla percentuale di clic (CTR) nei sistemi di pubblicità e raccomandazione online. Integrando due reti MLP (multi-layer perceptron) con funzionalità avanzate come gating e livelli di aggregazione dell’interazione, FinalMLP supera i tradizionali modelli MLP a flusso singolo e i sofisticati modelli CTR a due flussi. Gli autori ne hanno testato l’efficacia attraverso set di dati di riferimento e test A/B online reali.
Oltre a fornire una visione dettagliata di FinalMLP e di come funziona, forniamo anche una procedura dettagliata sulla sua implementazione e applicazione a un set di dati pubblico. Ne testiamo l’accuratezza in una configurazione di raccomandazione di libri e valutiamo la sua capacità di spiegare le previsioni, sfruttando l’architettura a due flussi proposta dagli autori.
Come sempre il codice è disponibile sul ns GitHub.
Fonte: towardsdatascience.com
