在技術(shù)領(lǐng)域，個(gè)性化是使用戶參與和滿意的關(guān)鍵。個(gè)性化最明顯的實(shí)現(xiàn)之一是通過(guò)推薦系統(tǒng)，該系統(tǒng)根據(jù)其互動(dòng)和偏好為用戶提供量身定制的內(nèi)容，產(chǎn)品或體驗(yàn)。從歷史上看，推薦系統(tǒng)的第一個(gè)實(shí)施是建立在基于舊規(guī)則的引擎(例如IBM ODM(運(yùn)營(yíng)決策經(jīng)理)和Red Hat Jboss BRMS(業(yè)務(wù)規(guī)則管理系統(tǒng))的基礎(chǔ)上。

但是，機(jī)器學(xué)習(xí)的最新進(jìn)展從根本上改變了建議的產(chǎn)生方式。本文探討了基于遺產(chǎn)規(guī)則的系統(tǒng)如何運(yùn)行，其局限性以及機(jī)器學(xué)習(xí)如何破壞了這一空間。

建議的舊規(guī)則引擎

基于規(guī)則的引擎概述

IBM ODM和Red Hat Jboss BRM等舊規(guī)則引擎是開發(fā)推薦系統(tǒng)的首批技術(shù)。這些系統(tǒng)依靠IF-then規(guī)則的集合來(lái)根據(jù)用戶操作提供建議。這些規(guī)則是由領(lǐng)域?qū)＜翌A(yù)定的，他們?cè)试S公司建立簡(jiǎn)單且可解釋的方法來(lái)生成建議。

例如，在電子商務(wù)環(huán)境中，可能已應(yīng)用以下規(guī)則：

· 如果客戶購(gòu)買筆記本電腦，請(qǐng)推薦筆記本電腦袋和防病毒軟件。

這些系統(tǒng)是作為決策服務(wù)實(shí)施的，可以獨(dú)立于主要業(yè)務(wù)應(yīng)用程序運(yùn)行，從而使公司可以從應(yīng)用程序代碼中解除建議邏輯。 IBM ODM和JBOSS BRMS是以可擴(kuò)展方式創(chuàng)建，管理和執(zhí)行這些決策規(guī)則的強(qiáng)大工具。

基于規(guī)則的引擎的好處

· 簡(jiǎn)單性和解釋性：基于規(guī)則的引擎提供的建議簡(jiǎn)單易懂，使業(yè)務(wù)利益相關(guān)者可以簡(jiǎn)單地配置或修改規(guī)則。

· 領(lǐng)域知識(shí)利用：規(guī)則通常是由對(duì)業(yè)務(wù)深入了解的專家制定的，以確保與業(yè)務(wù)目標(biāo)保持一致的建議。

· 可預(yù)測(cè)性：規(guī)則引擎的輸出是確定性的;給定一組特定的輸入，系統(tǒng)始終產(chǎn)生相同的輸出。

基于規(guī)則的引擎的局限性

盡管基于遺產(chǎn)規(guī)則的發(fā)動(dòng)機(jī)暫時(shí)達(dá)到了目的，但它們具有固有的局限性：

· 缺乏可擴(kuò)展性：隨著更復(fù)雜的個(gè)性化的增加，系統(tǒng)中規(guī)則的數(shù)量呈指數(shù)增長(zhǎng)，這使得維持規(guī)則非常復(fù)雜且笨拙。

· 有限的適應(yīng)性：基于規(guī)則的系統(tǒng)需要手動(dòng)干預(yù)來(lái)添加或修改規(guī)則，這是耗時(shí)的。這也意味著系統(tǒng)無(wú)法自動(dòng)適應(yīng)不斷變化的用戶行為或趨勢(shì)。

· 個(gè)性化差：這些建議僅限于適用于廣泛用戶群體的一般規(guī)則。他們?nèi)狈μ峁﹤€(gè)性化建議所需的細(xì)微差別，因?yàn)樗麄儫o(wú)法捕獲用戶和項(xiàng)目之間的復(fù)雜關(guān)系。

建議在建議中的興起

機(jī)器學(xué)習(xí)如何破壞舊系統(tǒng)

隨著數(shù)據(jù)可用性的增長(zhǎng)，機(jī)器學(xué)習(xí)(ML)作為一種解決方案，可以克服基于規(guī)則的建議系統(tǒng)的局限性。機(jī)器學(xué)習(xí)算法可以分析大量數(shù)據(jù)，學(xué)習(xí)用戶行為并生成個(gè)性化建議，而無(wú)需手動(dòng)定義的規(guī)則。這種轉(zhuǎn)變標(biāo)志著推薦系統(tǒng)的運(yùn)行方式的轉(zhuǎn)折點(diǎn)。

機(jī)器學(xué)習(xí)方法

協(xié)作過(guò)濾

基于ML的推薦系統(tǒng)(例如協(xié)作過(guò)濾)利用歷史用戶交互數(shù)據(jù)來(lái)識(shí)別模式。在協(xié)作過(guò)濾中，分析了用戶項(xiàng)目的關(guān)系，以確定單個(gè)用戶可能感興趣的產(chǎn)品或內(nèi)容。

示例：根據(jù)其他用戶的觀看習(xí)慣推薦觀看某些電影的用戶。

基于內(nèi)容的過(guò)濾

與基于規(guī)則的系統(tǒng)不同，基于內(nèi)容的過(guò)濾依賴于ML模型來(lái)分析用戶與之交互并提供類似建議的項(xiàng)目的功能。

示例：推薦類似類型的電影或與用戶以前看過(guò)的電影相同的電影。

混合模型

現(xiàn)代推薦系統(tǒng)通常將協(xié)作過(guò)濾與基于內(nèi)容的過(guò)濾相結(jié)合，以提供更準(zhǔn)確和個(gè)性化的建議。

傳統(tǒng)規(guī)則引擎的優(yōu)勢(shì)

· 可擴(kuò)展性：機(jī)器學(xué)習(xí)模型本質(zhì)上是可擴(kuò)展的，因?yàn)樗鼈兛梢蕴幚泶罅繑?shù)據(jù)并從中學(xué)習(xí)。與基于規(guī)則的系統(tǒng)需要針對(duì)新方案的新規(guī)則不同，ML模型可以從歷史數(shù)據(jù)中學(xué)習(xí)，以創(chuàng)建新的見解，而無(wú)需手動(dòng)更新。

· 適應(yīng)性：基于ML的推薦系統(tǒng)是適應(yīng)性的;他們不斷從新數(shù)據(jù)中學(xué)習(xí)。隨著用戶偏好的發(fā)展，建議也會(huì)發(fā)展，而無(wú)需進(jìn)行手動(dòng)規(guī)則修改。

· 增強(qiáng)的個(gè)性化：機(jī)器學(xué)習(xí)可以更深入地個(gè)性化。通過(guò)分析細(xì)粒級(jí)別的數(shù)據(jù)，ML模型可以檢測(cè)細(xì)微的模式并提供高度個(gè)性化的建議。

現(xiàn)實(shí)世界的影響

在Netflix和Amazon等公司中，可以看到最顯著的轉(zhuǎn)向機(jī)器學(xué)習(xí)。 Netflix最初使用基于規(guī)則的系統(tǒng)對(duì)電影進(jìn)行分類和建議，但是隨著機(jī)器學(xué)習(xí)的出現(xiàn)，他們能夠通過(guò)應(yīng)用從用戶行為學(xué)習(xí)的算法來(lái)顯著提高建議準(zhǔn)確性。轉(zhuǎn)向基于ML的建議不僅提高了用戶滿意度，還可以提高參與度和更長(zhǎng)的觀看時(shí)間。

同樣，亞馬遜在提供個(gè)性化購(gòu)物體驗(yàn)方面的成功通過(guò)機(jī)器學(xué)習(xí)加速，使其能夠分析購(gòu)買歷史，瀏覽行為，甚至可以預(yù)測(cè)用戶可能感興趣的產(chǎn)品。

為什么傳統(tǒng)規(guī)則引擎尚未完全消失

值得注意的是，盡管機(jī)器學(xué)習(xí)對(duì)于復(fù)雜的，數(shù)據(jù)驅(qū)動(dòng)的建議非常有效，但基于規(guī)則的引擎仍在需要可解釋性，合規(guī)性或直接邏輯的情況下使用。當(dāng)必須遵循明確的預(yù)定義規(guī)則時(shí)，例如在金融和醫(yī)療保健中，決策需要進(jìn)行審核和透明，但規(guī)則引擎仍會(huì)有所幫助。

例如，在金融服務(wù)中，通常使用基于規(guī)則的方法來(lái)推薦特定類型的貸款產(chǎn)品，而嚴(yán)格合規(guī)性至關(guān)重要，并且建議邏輯對(duì)于審計(jì)師和監(jiān)管機(jī)構(gòu)都可以易于理解。

結(jié)論

IBM ODM和Red Hat Jboss Brms等舊規(guī)則引擎為早期推薦系統(tǒng)鋪平了道路，提供簡(jiǎn)單性，可解釋性和域?qū)I(yè)知識(shí)。但是，他們努力擴(kuò)展并適應(yīng)個(gè)性化用戶偏好的復(fù)雜性，這導(dǎo)致了推薦系統(tǒng)中機(jī)器學(xué)習(xí)的興起。如今，基于ML的推薦系統(tǒng)是許多數(shù)字平臺(tái)的基石，通過(guò)利用大數(shù)據(jù)和高級(jí)算法的力量來(lái)推動(dòng)更深入的個(gè)性化和更好的用戶參與度。

盡管傳統(tǒng)系統(tǒng)仍然具有利基市場(chǎng)，尤其是在高度監(jiān)管的行業(yè)中，但在推薦空間中，機(jī)器學(xué)習(xí)的主導(dǎo)地位證明了其解決可擴(kuò)展性，適應(yīng)性和個(gè)性化挑戰(zhàn)的能力，這些挑戰(zhàn)挑戰(zhàn)了基于遺產(chǎn)規(guī)則的系統(tǒng)無(wú)法克服的能力。