Такие компании, как Netflix и Amazon, используют рекомендательные системы, чтобы предлагать товары или контент на основе поведения пользователей. Например, когда вы покупаете товар на Amazon, вам показываются другие товары, которые могут вас заинтересовать. Аналогичным образом, Netflix предлагает телешоу и фильмы на основе того, что вы смотрели.
Мы применили ту же концепцию к внедрению передовых технологий в интернете. Наша система прогнозирует, какие технологии веб-сайт может использовать, анализируя поведение других веб-сайтов с аналогичным профилем передовых технологий.
Как это работает
- Мы выявляем веб-сайты со значительными инвестициями в технологии и определяем, какие технологии они используют.
- Мы измеряем степень совпадения этих технологий, чтобы установить уровень сходства между веб-сайтами.
- Чем больше совпадение, тем надежнее рекомендация относительно премиальных технологий, которые один сайт использует, а другой — нет.
Почему мы не используем традиционную модель ИИ
Вы можете задаться вопросом, почему мы не используем машинное обучение, например, матричную факторизацию, для нашей системы рекомендаций. Мы протестировали несколько моделей ИИ, но результаты оказались неудовлетворительными. Эти модели также опираются на сложные внутренние параметры, часто называемые «магическими числами», которые трудно интерпретировать или контролировать.
Например, в документации MatrixFactorizationTrainer есть фраза «Для достижения наилучших результатов используйте следующее», за которой следуют две необъяснённые переменные. Нет никакой ясности в том, почему эти значения улучшают результаты, что затрудняет валидацию модели и затрудняет её доверие к ней.
Выбранный нами алгоритм, напротив, следует ясной и понятной методологии. Мы точно знаем, как он работает, как реализуется и почему он даёт значимые результаты.
Действительно ли это работает?
Да. Например, модель показывает, что веб-сайты, которые, скорее всего, перейдут на Magento Enterprise, часто уже используют Magento. Эта взаимосвязь не была задана вручную и не была внедрена в систему, а была обнаружена непосредственно на основе данных.
API рекомендаций
Доступ к рекомендациям можно получить программно через наш API, который предоставляет ответы в форматах JSON и XML.
https://api.builtwith.com/recommendations-api Создавайте свои собственные модели
Вы можете создавать собственные модели, используя наборы данных BuiltWith, которые предоставляют базовые данные, необходимые для обучения и экспериментов.