© DrHitch/Shutterstock.com
Cognitive Services

4 Das könnte Ihnen auch gefallen!


Im letzten Kapitel unseres Cognitive-Services-shortcut werfen wir einen Blick auf Algorithmen, die wir als Anwender von großen Onlineshops gut kennen: „Dieses Produkt könnte Sie auch interessieren.“ Und das Schöne: Die Magie wurde bereits für uns implementiert und steht als REST-Service zur Verfügung. . das Recommendations-API.

Unter der Rubrik „Knowledge“ sind einige APIs angesiedelt, die Wissen extrahieren oder bereitstellen können. Das EntityLinking-API analysiert beispielsweise einen Text nach Schlüsselwörtern und stellt diese in Beziehung zu einem Eintrag in Wikipedia. Der Clou: Auch mehrdeutige Wörter werden aus dem Zusammenhang korrekt erkannt. Wir möchten uns in diesem Kapitel aber im Speziellen dem Recommendations-API widmen.

Recommendations-API

Das API ermöglicht durch Bereitstellen von Nutzungsdaten den Aufbau eines Modells, um anschließend Fragen wie „Was wurde gemeinsam gekauft?“ oder „Welche ähnlichen Produkte gibt es noch?“ beantworten zu können, und zwar live: Sobald einer Ihrer Benutzer einen Artikel anklickt, können Sie sofort Empfehlungen per REST abfragen und auf der Website visualisieren – quasi Einkaufsberater as a Service.

Catalog Data

Die Basis für die Erstellung eines Modells ist der Aufbau eines Katalogs. Im Katalog stehen alle verfügbaren Artikel. Als Angabe genügen eine ID und der Name, optional können zusätzlich eine Beschreibung, die Produktkategorie und mehrere Features als Key-Value Pair angegeben werden. Vor allem die Features erhöhen die Qualität des Modells: Neue Artikel, bei denen es noch keine ausreichenden Erfahrungswerte gibt (so genannte „Cold Items“), führen so ebenfalls zu sinnvollen Empfehlungen – weil eine Verbindung zu bestehenden Produkten mit ähnlichen Features hergestellt werden kann. Der Katalog muss als Textdatei in einem bestimmten Format [1] hochgeladen werden: entweder mittels REST-API [2] oder über das Recommendations-UI [3]. Derzeit erreicht der Katalog mit 100 000 Artikeln sein Maximum.

Usage Data

Im zweiten Schritt werden die Nutzungsdaten bekanntgegeben. Um das Modell initial trainieren zu können, empfiehlt sich der Upload einer größeren Anzahl von Daten als Textdatei (ebenfalls per REST [2] oder UI [3] möglich). Jede Transaktion besteht dabei aus einer User-ID, einer Item-ID (aus dem Katalog), dem Zeitpunkt und der Aktion. Über die Aktion wird angegeben, ob der Benutzer auf den Artikel geklickt oder ihn weiterempfohlen hat, bzw. ob der Artikel in den Warenkorb gelegt oder tatsächlich gekauft wurde...

Neugierig geworden?

Angebote für Teams

Für Firmen haben wir individuelle Teamlizenzen. Wir erstellen Ihnen gerne ein passendes Angebot.

Das Library-Modell:
IP-Zugang

Das Company-Modell:
Domain-Zugang