Aller au contenu
English

Filtrage collaboratif article-article

  • Leçon 12
  • 40 min
  • Module 4 : Les voisins et le filtrage collaboratif

Où nous en sommes

Dans la dernière leçon, nous avons trouvé les voisins d'un produit grâce aux clients qui ont interagi avec les deux. Cela fonctionne pour une page produit, qui montre un seul produit. Un client qui revient a interagi avec plusieurs produits. Dans cette leçon, nous additionnons les voisins de tous ces produits. Nous expliquons chaque suggestion à partir des données et trouvons les clients pour qui la méthode échoue.

Lue depuis YouTube. Rien ne se charge depuis YouTube avant que vous appuyiez sur lecture. Confidentialité
Leçon 12 sur 29 · Recommandation et personnalisation : montrer à chacun ce qui compteFiltrage collaboratif article-article
Aperçu du cours

5. La factorisation matricielle pour la rétroaction implicite

  1. Goûts cachés
  2. ALS et BPR avec implicit
  3. Régler sans vous tromper vous-même

Ce que vous saurez faire

Transformez les voisins des produits en liste personnelle. Donnez un score à chaque produit à partir de toutes les interactions d’un client. Expliquez chaque suggestion à partir des données. Mesurez ensuite où le filtrage collaboratif article-article aide Larkfield et où il échoue.

Carnet JupyterFaites cette leçon dans un carnet JupyterColab · Kaggle · GitHub · en anglais

Le carnet (notebook) Jupyter calcule à la main les scores d’un petit exemple. Il construit la similarité cosinus de tous les produits de Larkfield et donne un poids à chaque événement d’un client. Vous calculez la première suggestion pour un client. Ensuite, il calcule les scores pour tous les clients de test, par segment. Il examine aussi l’ancienneté des commandes des clients occasionnels. Ses cellules de préparation téléchargent environ 8 Mo de données d’exercice. Environ 25 minutes.

Le carnet est en anglais. Colab et Kaggle ouvrent votre propre copie. Il faut un compte Google ou Kaggle gratuit. Vous êtes bloqué ? Consultez le carnet de solution.

Avant de commencerCe qu’il faut savoir et avoir sous la mainEnviron 40 minutes

Ce que vous devez savoir

Ce qu’il vous faut sur votre ordinateur (seulement pour les étapes du projet)

  • Votre projet larkfield-recs avec les deux fichiers de la dernière leçon. recs similar P10020 affiche cinq fauteuils.
  • Les fichiers d’exercice dans ../nextia-learning-labs, à côté du dossier du projet.

Testé sur macOS avec Python 3.12. Les commandes Windows (PowerShell) n’ont pas été exécutées.

Une cliente régulière entre dans un centre de jardinage. La vendeuse se souvient d’elle : « Au printemps, vous avez acheté un magnolia et quelques arbustes en pot. Nous avons de nouvelles vivaces qui poussent bien sous un magnolia. » Elle ne pense pas à un seul produit. Elle pense à tous les achats de la cliente et à ce qui accompagne habituellement chacun. Un gros achat compte plus qu’un petit, et le mois dernier compte plus que l’année dernière.

C’est le filtrage collaboratif article-article. La dernière leçon nous a donné les voisins d’un produit. Cette leçon les additionne pour tout l’historique d’un client.

Le problème : un client ne se résume pas à un produit

Section intitulée « Le problème : un client ne se résume pas à un produit »

« Les clients ont aussi acheté » nécessite un produit. Une page d’accueil ou un courriel s’adresse à un client, et ce client a un historique. Le client C100123 a interagi avec huit produits avant la période de test : un magnolia, six plantes et un jeté. Quels voisins montrons-nous?

  • Les voisins du dernier produit seulement. Cela ignore sept des huit produits. Si le dernier événement était une consultation rapide, toute la liste dépend d’un seul clic.
  • Les voisins de chaque produit, l’un après l’autre. La liste se remplit des voisins du premier produit. L’ordre de l’historique détermine la liste.
  • Les voisins les plus fréquents selon le décompte. Cela ramène les meilleurs vendeurs de la dernière leçon.

Aucune de ces options n’utilise équitablement tout l’historique. Il nous faut un score par produit qui combine tous les indices.

L’idée : chaque produit passé vote pour ses voisins

Section intitulée « L’idée : chaque produit passé vote pour ses voisins »

Le filtrage collaboratif article-article (item-cf) donne un score à chaque produit :

score d’un produit = la somme, pour les produits passés du client, de (poids de l’événement du client × similarité des deux produits)

Chaque produit passé « vote » pour ses voisins. Un événement fort (une commande) donne un vote fort. Un voisin proche reçoit une plus grande part du vote qu’un voisin éloigné. Les produits aux scores les plus élevés composent la liste. Des ingénieurs d’Amazon ont décrit cette conception pour leur magasin en 2003 (Linden, Smith et York, IEEE Internet Computing). Elle reste courante.

Kim a commandé une tente et consulté une lanterne (un petit exemple que nous avons créé). Une commande a un poids de 5 et une consultation, un poids de 1, selon les poids du module 2. Les similarités sont les cosinus du magasin de camping de la dernière leçon :

Candidat Tente (poids 5) × similarité Lanterne (poids 1) × similarité Score
Sac de couchage 5 × 0,707 = 3,535 1 × 0,408 = 0,408 3,943
Gants 5 × 0,567 = 2,835 1 × 0,436 = 0,436 3,271
Arrosoir 5 × 0 = 0 1 × 0 = 0 0

Le sac de couchage arrive en premier. Le vote de la tente décide du résultat, car Kim a commandé la tente et seulement consulté la lanterne. Nous ne suggérons pas la tente ni la lanterne elles-mêmes ici. Dans le projet, un produit avec lequel le client a interagi peut encore être suggéré. Cela convient aux achats répétés, mais pas à une deuxième tente. Règles d’affaires et reclassement traite ce cas.

Les goûts d’un client changent, et les saisons aussi. Le projet divise donc chaque poids par deux tous les 60 jours avant la période de test. C’est ce qu’on appelle une demi-vie. Une commande aujourd’hui compte pour 5. Une commande d’il y a 60 jours compte pour 2,5, et d’il y a 120 jours, pour 1,25. Pour un produit ayant plusieurs interactions, tous ses poids s’additionnent.

La commande recs explain du projet montre la somme pour un client. Pour C100123, la première suggestion est une plante vivace :

C100123: suggestion P10065 Silver Lamb's Ear Perennial (Outdoor plants)
score 4.353 = sum of (weight of the customer's event x similarity):
2.887 = 8.11 x 0.356 P11428 White Star Magnolia Tree (Outdoor plants)
0.411 = 0.90 x 0.456 P11784 Blueberry Shrub in Oak Pot (Outdoor plants)
0.342 = 0.90 x 0.379 P11786 Climbing Clematis in Blue Pot (Outdoor plants)
0.320 = 0.90 x 0.355 P11930 Compact Boxwood Shrub in Black Pot (Outdoor plants)
0.270 = 0.90 x 0.300 P12226 Hydrangea in Terracotta Pot (Outdoor plants)
0.124 = 0.90 x 0.138 P12362 Purple Coneflower in Mustard Pot (Outdoor plants)
L'historique de C100123 à gauche : White Star Magnolia Tree avec un poids de 8,11, Blueberry Shrub in Oak Pot à 0,90, Climbing Clematis in Blue Pot à 0,90, et 3 autres plantes en pot à 0,90 chacune. Des flèches mènent à la suggestion à droite, Silver Lamb's Ear Perennial, avec un score de 4,353. Les flèches portent les valeurs : 8,11 × 0,356 = 2,887; 0,90 × 0,456 = 0,411; 0,90 × 0,379 = 0,342; et 0,320 + 0,270 + 0,124 pour les trois autres plantes.
Une suggestion expliquée. Chaque produit de l'historique du client ajoute son poids multiplié par sa similarité avec la suggestion. Le magnolia ajoute deux tiers du score.
Description textuelle du diagramme

À gauche se trouve l’historique du client C100123 : le White Star Magnolia Tree avec un poids de 8,11, et cinq plantes en pot avec un poids de 0,90 chacune. Des flèches mènent à la première suggestion, le Silver Lamb’s Ear Perennial, avec un score de 4,353. Le magnolia ajoute 8,11 × 0,356 = 2,887. Le bleuetier ajoute 0,90 × 0,456 = 0,411, la clématite, 0,90 × 0,379 = 0,342, et les trois autres plantes, 0,320, 0,270 et 0,124.

Le magnolia a un poids de 8,11, supérieur à celui d’une commande (5). Le client a interagi avec lui plusieurs fois, récemment. Il fournit deux tiers du score. Les cinq plantes en pot ont de petits poids (0,90) : des événements anciens ou faibles. Chacune ajoute un peu. Chaque nombre de l’explication vient des données, donc Hana ou Omar peut le vérifier.

Le carnet montre tout l’historique. La cliente a aussi consulté la vivace elle-même (poids de 0,90), sans l’acheter. Un produit ne compte jamais comme son propre voisin, donc cette consultation n’ajoute rien au score. Mais le projet ne retire pas les produits avec lesquels le client a déjà interagi. Ici, c’est raisonnable : elle a regardé la vivace et ne l’a pas encore achetée.

Pourquoi le filtrage article-article est stable et facile à expliquer

Section intitulée « Pourquoi le filtrage article-article est stable et facile à expliquer »

Facile à expliquer. Chaque suggestion est la somme de quelques produits que le client connaît. Une page peut dire « parce que vous avez acheté un White Star Magnolia Tree ». Les clients font confiance à une raison visible, et l’équipe peut rapidement repérer une mauvaise suggestion : quel produit passé l’a introduite?

Stable. Les voisins d’un produit viennent de nombreux clients. Un fauteuil consulté par cent clients ne change pas de voisins quand un client de plus arrive. La table des voisins peut donc être calculée une fois par nuit et conservée. Quand nous entraînons le modèle une semaine plus tôt, 84 % des produits de la liste d’un client restent les mêmes. Un nouvel événement du client change seulement ses propres poids, pas la table.

Peu coûteux à servir. La table contient au plus 50 voisins pour chacun des 2 994 produits. Son calcul prend 0,4 secondes sur un fil d’exécution. Les listes des 40 000 clients prennent 0,8 secondes de plus.

Voici maintenant le résultat honnête. Sur la période de test de Larkfield, item-cf trouve 0,088 des produits commandés (intervalle à 95 % de 0,077 à 0,101). C’est inférieur à trending (0,156) et à la méthode par décompte cooc (0,122). Voici les résultats par segment :

  • trending
  • cooc
  • item-cf
Rappel à 10 de trending, cooc et item-cf dans chaque segment de clients de la période de test, avec des intervalles à 95 %. Item-cf est le plus faible dans chaque segment, et très faible pour les clients occasionnels.
Description textuelle du graphique

Trois panneaux, un par segment, chacun avec un axe horizontal pour le recall@10 allant de 0 à 0,2. Nouveaux clients (952) : trending 0,169, cooc 0,137, item-cf 0,127. Clients occasionnels (556) : trending 0,162, cooc 0,097, item-cf 0,045. Clients fidèles (610) : trending 0,132, cooc 0,121, item-cf 0,067. Item-cf est le plus faible des trois dans chaque segment.

Item-cf est le plus faible des trois dans chaque segment. Pour les mêmes clients, recs compare trending item-cf indique qu’item-cf est meilleur pour 99 clients et moins bon pour 284.

Section intitulée « Le score des nouveaux clients vient surtout de trending »

Item-cf obtient 0,127 pour les nouveaux clients. Cela semble bon jusqu’à ce que vous les sépariez. Parmi les 952 nouveaux clients de test, 633 n’ont eu aucune interaction avant la période. Item-cf n’a rien à évaluer pour eux, donc la liste des tendances remplit leurs cases. Ils obtiennent 0,168, soit le score de trending. Les 319 nouveaux clients qui ont consulté quelque chose obtiennent seulement 0,046 avec item-cf. Trending donne 0,172 aux mêmes clients.

Une solution de repli peut donc donner une bonne apparence à une méthode faible dans un segment. Demandez toujours : pour qui la méthode a-t-elle vraiment créé une liste?

Pourquoi item-cf est faible ici : la plupart des clients achètent une seule fois

Section intitulée « Pourquoi item-cf est faible ici : la plupart des clients achètent une seule fois »

Item-cf nécessite un historique qui indique ce que le client veut ensuite. Les clients de Larkfield en ont rarement un.

Commandes par acheteur dans tout le journal du magasin (synthétique). Plus de la moitié des clients ayant commandé l'ont fait une seule fois.
Description textuelle du graphique

Un diagramme à colonnes des 23 809 clients ayant commandé au moins une fois, selon le nombre de commandes. 1 commande : 12 783 clients. 2 commandes : 4 838. 3 commandes : 2 296. 4 commandes : 1 279. 5 commandes : 773. 6 ou plus : 1 840. La première colonne est plus haute que toutes les autres réunies.

53,7 % des acheteurs de Larkfield ont commandé une seule fois. Pour un client occasionnel, l’historique contient une ou deux commandes. Le carnet trouve que leur dernière commande précède la période de test de 38,5 jours en médiane, soit environ cinq semaines. Item-cf suggère les voisins de cette commande. Comme le fauteuil l’a montré, beaucoup de voisins sont des produits de remplacement. Ce sont d’autres fauteuils pour un client qui vient d’en acheter un. Le client n’en a plus besoin. Voilà pourquoi item-cf obtient seulement 0,045 pour les clients occasionnels.

Le cosinus réduit aussi le poids des produits populaires, comme l’a montré la dernière leçon. Dans un magasin où les meilleurs vendeurs de saison se vendent bien, cela réduit le rappel. La méthode par décompte cooc conserve plus de meilleurs vendeurs et obtient 0,122.

Item-cf répond très bien à une question : « Que consulte un client ensuite, après ce produit? » Sessions, séquences et LLM, en bref le mesure sur les visites de la période de test. Sur 16 801 passages d’un produit au suivant, le produit suivant figurait parmi les 10 premiers voisins item-cf du produit actuel 62 % du temps. La liste de trending le contenait seulement 2,7 % du temps.

Sur une page produit, les voisins item-cf du produit actuel contiennent le prochain produit consulté 62 % du temps; la liste de trending, 2,7 % du temps. Visites de la période de test, 16 801 passages.
Description textuelle du graphique

Un diagramme à deux colonnes. Les 10 premiers voisins item-cf du produit actuel contiennent le prochain produit consulté dans la même visite 62,0 % du temps. La liste de trending le contient 2,7 % du temps. La mesure utilise 16 801 passages dans les visites de la période de test.

La même méthode est donc faible sur la page d’accueil et forte sur la page produit. La différence vient du signal. Sur la page produit, le client regarde le produit maintenant. Sur la page d’accueil, item-cf utilise les commandes antérieures. Leurs voisins sont souvent des choses que le client a déjà achetées.

Quand l’utiliser, quand l’éviter et ce qu’elle coûte

Section intitulée « Quand l’utiliser, quand l’éviter et ce qu’elle coûte »

Utilisez item-cf pour les rangées « les clients ont aussi acheté » et « produits semblables » des pages produit, et pour la page du panier. Utilisez-le quand vous avez besoin d’une raison visible (« parce que vous avez acheté… »). Utilisez-le comme une source de candidats parmi plusieurs, comme dans Pourquoi deux étapes.

Ne l’utilisez pas seul pour une page d’accueil ou un courriel quand la plupart des clients achètent une seule fois, comme chez Larkfield. Vérifiez séparément un segment utilisant la solution de repli, comme nous l’avons fait avec les nouveaux clients. Ne l’utilisez pas pour les produits sans historique : un nouveau produit n’a aucun voisin avant les premières interactions des clients.

Coût : ajustement en 0,4 secondes et environ 609 Mo au maximum sur un fil; listes des 40 000 clients en 0,8 secondes. La table des voisins peut être reconstruite chaque nuit.

  1. Ouvrez le carnet depuis l’encadré Faites cette leçon dans un carnet Jupyter en haut de cette page. Exécutez les cellules de préparation.

  2. Dans la section 1, prédisez si Kim reçoit d’abord le sac de couchage ou les gants. Exécutez ensuite la cellule.

  3. Exécutez les sections 2 et 3. La section 3 affiche l’historique de C100123 avec ses poids. Le magnolia a le poids le plus élevé, 8,11.

  4. Dans la section 4, calculez les scores et la première suggestion. La vérification affiche Check passed: top is right. (vérification réussie : le premier résultat est correct).

  5. Exécutez les sections 5 et 6. Vous voyez le rappel d’item-cf par segment et l’ancienneté des dernières commandes des clients occasionnels.

  6. Dans un terminal, ouvrez votre dossier larkfield-recs avec l’environnement virtuel actif et copiez la commande explain (expliquer) :

    Fenêtre de terminal
    S=../nextia-learning-labs/C37/snapshots/end-of-m04
    cp $S/larkfield_recs/commands/explain.py larkfield_recs/commands/
  7. Évaluez item-cf par segment :

    Fenêtre de terminal
    recs evaluate item-cf --by segment
    Method item-cf (item-item collaborative filtering (cosine, 50 neighbours, recency)), test period
    Customers scored: 2,118; trained on events before 2026-06-22
    recall@10 0.088 (95% interval 0.077 to 0.101), NDCG@10 0.055, MAP@10 0.039, precision@10 0.014, hit rate 11.9%
    coverage 53.2% of the products on sale, novelty 6.45 bits, diversity 0.44, new products in the lists 11.5%
    time: fit 0.3 s, suggestions 0.1 s
    segment customers recall@10 NDCG@10 95% interval (recall)
    new 952 0.127 0.082 0.107 to 0.148
    occasional 556 0.045 0.026 0.030 to 0.061
    loyal 610 0.067 0.040 0.050 to 0.086
    new products: 647 orders of new products in the period; recall@10 on them 0.128
  8. Expliquez la première suggestion pour C100123 :

    Fenêtre de terminal
    recs explain C100123

    Vous voyez l’explication de la section précédente : score 4.353 (score de 4,353), et le magnolia en premier avec 2.887 = 8.11 x 0.356.

  9. Comparez item-cf à la référence de base des tendances. Vous avez évalué trending dans le module 3; si outputs/runs/ est vide, exécutez d’abord recs evaluate trending.

    Fenêtre de terminal
    recs compare trending item-cf --by segment
    recall@10: trending 0.156, item-cf 0.088
    difference -0.068 (95% interval -0.083 to -0.055); better for 99 customers, worse for 284, the same for 1,735
    The difference is clear: the interval does not include 0.
    coverage 0.3% -> 53.2%; novelty 5.10 -> 6.45
    new 952 customers -0.042 (-0.058 to -0.026)
    occasional 556 customers -0.117 (-0.150 to -0.083)
    loyal 610 customers -0.065 (-0.096 to -0.036)
Afficher la réponse à l’étape 4
scores = H[cpos["C100123"]] @ sim
scores = np.asarray(scores).ravel()
top = pid[np.argmax(scores)]

Une ligne de H contient les poids du client. La multiplier par la matrice de similarité additionne « poids × similarité » pour tous les produits à la fois. Le score le plus élevé appartient à P10065, le Silver Lamb’s Ear Perennial, comme l’affiche recs explain.

Changez une seule chose : la similarité. cooc est la même méthode avec des décomptes au lieu du cosinus. Avant de l’exécuter, prédisez : dans quel segment les décomptes dépasseront-ils le cosinus le plus? Exécutez ensuite recs compare cooc item-cf --by segment. Si vous n’avez aucun résultat enregistré de cooc, exécutez d’abord recs evaluate cooc.

Afficher la réponse
recall@10: cooc 0.122, item-cf 0.088
difference -0.034 (95% interval -0.042 to -0.025); better for 42 customers, worse for 134, the same for 1,942
The difference is clear: the interval does not include 0.
coverage 36.2% -> 53.2%; novelty 5.55 -> 6.45
new 952 customers -0.010 (-0.017 to -0.003)
occasional 556 customers -0.052 (-0.074 to -0.031)
loyal 610 customers -0.053 (-0.076 to -0.034)

Les décomptes dépassent le cosinus le plus pour les clients occasionnels et fidèles (−0,052 et −0,053). Ce sont les clients ayant un historique, donc la similarité compte vraiment pour eux. Les décomptes conservent plus de meilleurs vendeurs, et les meilleurs vendeurs se vendent. Le cosinus montre davantage de produits du magasin (couverture de 53,2 % contre 36,2 %). C’est le compromis de la dernière leçon, maintenant mesuré sur la page d’accueil. Notez que l’ordre peut s’inverser pour une page produit : là, le produit à l’écran est un signal fort.

Erreur courante

Un segment semble bon parce que la solution de repli a fait le travail

Symptôme : Tomás rapporte qu’item-cf fonctionne « bien pour les nouveaux clients : 0,127, presque aussi bien que les tendances ».

Cause : 633 des 952 nouveaux clients n’avaient eu aucune interaction avant la période. Item-cf n’a créé aucune liste pour eux, et la solution de repli des tendances a rempli chaque case. Le score du segment vient surtout des tendances.

Diagnostic : divisez le segment selon que le client a eu un événement ou non. Les listes produites par item-cf pour les nouveaux clients ayant des consultations obtiennent 0,046.

Correction : indiquez la part de la solution de repli à côté du score. Ou évaluez la méthode seulement pour les clients qu’elle a réellement servis.

Erreur courante

Un rappel plus élevé, et un manteau d'hiver à la fin juin

Symptôme : Tomás veut remplacer item-cf par cooc, car son rappel est plus élevé : 0,122 contre 0,088. Rafael ouvre quelques listes de cooc pour la période de test. Plusieurs suggèrent un manteau d’hiver à la fin juin.

Cause : un duffle-coat figure parmi les meilleurs vendeurs du magasin dans l’ensemble du journal : 857 acheteurs. Il n’a aucune commande pendant la période de test. C’est un problème d’exercice que nous avons créé volontairement. Les décomptes favorisent les meilleurs vendeurs, donc le manteau devient un voisin de nombreux produits. 20 % des listes de cooc contiennent un manteau d’hiver, et 48 % des listes des clients fidèles. Avec la similarité cosinus, seulement 0,5 % des listes d’item-cf en contiennent un.

Diagnostic : regardez les listes, pas seulement le score. Comptez les listes qui contiennent un produit hors saison.

Correction : un rappel plus élevé ne garantit pas une bonne liste. Préférez la similarité cosinus et ajoutez une règle saisonnière pour les produits qui ne se vendent pas pendant la période. Règles d’affaires et reclassement ajoute ces règles.

Vérifiez votre compréhension

Un client a commandé une lampe (poids 5) et consulté un tapis (poids 1). Un coussin a une similarité de 0,2 avec la lampe et de 0,6 avec le tapis. Une table d'appoint a une similarité de 0,3 avec la lampe et de 0 avec le tapis. Lequel item-cf classe-t-il en premier?

Afficher la réponse

Coussin : 5 × 0,2 + 1 × 0,6 = 1,6. Table d’appoint : 5 × 0,3 + 1 × 0 = 1,5. Le coussin arrive en premier, mais de justesse. Le poids élevé de la commande de la lampe donne presque la victoire à la table d’appoint. La consultation du tapis fait la différence.

Vérifiez votre compréhension

Pourquoi les voisins article-article sont-ils plus stables que la liste des clients similaires à un client donné?

Afficher la réponse

Les voisins d’un produit proviennent de tous les clients qui ont interagi avec lui, souvent des dizaines ou des centaines. Un nouveau client ou un nouvel événement les change très peu. On peut donc calculer le tableau une fois par nuit. L’historique d’un client est court, souvent une ou deux commandes. Ses clients les plus proches peuvent donc changer avec un seul nouvel événement. Sur Larkfield, 84 % d’une liste d’item-cf reste identique quand on entraîne le modèle une semaine plus tôt. La prochaine leçon mesure ce qui se passe du côté des clients.

Vérifiez votre compréhension

Item-cf obtient un rappel à 10 (recall@10) de 0,088 sur la page d'accueil. Sur une page produit, ses voisins contiennent le prochain produit consulté 62 % du temps. Expliquez la différence en une ou deux phrases.

Afficher la réponse

Sur une page produit, le produit à l’écran montre ce que le client veut maintenant. Ses voisins sont les produits auxquels les clients le comparent. Sur la page d’accueil, item-cf utilise les commandes passées du client. Chez Larkfield, il s’agit généralement d’une ou deux commandes. Leurs voisins sont souvent des alternatives dont le client n’a plus besoin.

Récapitulatif

  • Le filtrage collaboratif article-article calcule le score d’un produit en additionnant (poids de l’événement du client × similarité) pour ses produits passés. Les événements valent 1 pour une consultation, 3 pour un ajout au panier et 5 pour une commande. Ces poids diminuent de moitié tous les 60 jours.
  • Il est facile à expliquer : dans recs explain C100123, le magnolia ajoute 2,887 au score de 4,353. Il est stable : les voisins d’un produit proviennent de nombreux clients.
  • Pendant la période de test de Larkfield, il obtient 0,088, sous les tendances (0,156) et les décomptes (0,122). Il est très faible pour les clients occasionnels (0,045). Leur unique commande ou leurs deux commandes pointent vers des alternatives dont ils n’ont plus besoin.
  • Son score pour les nouveaux clients vient surtout de la solution de repli des tendances. Les nouveaux clients ayant des consultations obtiennent 0,046.
  • Il est fort sur la page produit : le prochain produit consulté figure parmi les voisins du produit actuel 62 % du temps.

Le filtrage article-article cherche des produits similaires. Nous pouvons aussi chercher des clients similaires et utiliser leurs achats. Ensuite, nous essayons le filtrage collaboratif utilisateur-utilisateur. Nous mesurons pourquoi il est lent et fragile dans un magasin où la plupart des clients achètent une seule fois.

Leçon suivante : Le filtrage utilisateur-utilisateur et ses limites