Les clients ont aussi acheté
- Leçon 11
- 35 min
- Module 4 : Les voisins et le filtrage collaboratif
Où nous en sommes
Au module 3, nous avons créé un outil qui mesure toute méthode par segment et compare deux méthodes sur les mêmes clients. Jusqu'ici, chaque méthode montre les mêmes produits à tout le monde. Dans cette leçon, nous essayons la plus ancienne idée de personnalisation en magasin. Nous comptons les produits achetés par les mêmes clients et évitons de placer les meilleurs vendeurs à côté de tout.
Leçon 11 sur 29 · Recommandation et personnalisation : montrer à chacun ce qui compteLes clients ont aussi acheté
1. Le problème de la recommandation
2. Les données, la rétroaction implicite et un découpage honnête
3. Mesurer les recommandations hors ligne
4. Les voisins et le filtrage collaboratif
5. La factorisation matricielle pour la rétroaction implicite
6. Le contenu, les hybrides et le démarrage à froid
7. Deux étapes : les candidats et le classement
8. Des scores hors ligne au vrai magasin
9. L'exploiter en production
Ce que vous saurez faire
Créez des suggestions « les clients ont aussi acheté » à partir du journal du magasin. Comptez les clients qui ont acheté deux produits. Corrigez ensuite le décompte avec le lift (rapport d’association) ou la similarité cosinus. Ainsi, les suggestions à côté d’un produit ne seront pas seulement les meilleurs vendeurs du magasin.
Carnet JupyterFaites cette leçon dans un carnet Jupyter
Le carnet (notebook) Jupyter compte les produits avec lesquels les mêmes clients ont interagi. Il classe les voisins d’un fauteuil de trois façons. Vous trouvez le produit le plus proche d’un magnolia. Il mesure ensuite la popularité de chaque type de voisin. Ses cellules de préparation téléchargent environ 8 Mo de données d’exercice. Environ 20 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 main
Ce que vous devez savoir
- La matrice clients-produits, présentée dans La matrice utilisateurs-articles.
- La référence de base des tendances, présentée dans Les références de base à battre.
- Le rappel à 10 (recall@10) par segment et
recs compare, présentés dans Évaluer par segment.
Ce qu’il vous faut sur votre ordinateur (seulement pour les étapes du projet; le carnet n’en a pas besoin)
- Votre projet
larkfield-recsà la fin du module 3, avec son environnement virtuel activé.recs checkafficheSetup check passed.(vérification de la configuration réussie). - Les fichiers d’exercice dans
../nextia-learning-labs, à côté du dossier du projet.
Testé sur macOS avec Python 3.12, NumPy 2.5.4, pandas 3.1.1 et SciPy 1.18.1. Les commandes Windows (PowerShell) n’ont pas été exécutées.
La vendeuse qui se souvient des paniers
Section intitulée « La vendeuse qui se souvient des paniers »Vous achetez une tente dans un petit magasin de camping. La vendeuse dit : « La plupart des gens qui achètent cette tente prennent aussi un sac de couchage. En avez-vous un? » Elle ne vous connaît pas. Elle se souvient de ce que les autres clients mettent dans leur panier avec cette tente.
C’est le principe « les clients ont aussi acheté ». Il ne nécessite aucune connaissance du client, seulement du produit à l’écran. C’est la plus ancienne suggestion personnalisée en magasin, et elle s’explique facilement : « les clients qui ont acheté ceci ont aussi acheté cela ».
Imaginez maintenant un nouveau vendeur qui apprend la même règle en comptant. Chaque client achète des gants de jardinage, parce qu’ils sont bon marché et utiles. Les gants se retrouvent donc dans beaucoup de paniers avec la tente. Le nouveau vendeur dit : « Les gens qui achètent cette tente achètent aussi des gants. » C’est vrai, et c’est inutile. Il dirait la même chose à côté d’un canapé, d’une lampe ou d’un coussin.
Le problème : le décompte place les meilleurs vendeurs partout
Section intitulée « Le problème : le décompte place les meilleurs vendeurs partout »Un décompte de cooccurrence est le nombre de clients qui ont interagi avec les deux produits. « Interagir » désigne tout événement du journal : une consultation, un ajout au panier ou une commande. Nous comptons chaque client une seule fois par paire.
Les décomptes favorisent les meilleurs vendeurs. Un produit avec lequel 40 % des clients interagissent figure dans 40 % des paniers de chaque produit, par hasard seulement. La liste par décompte de presque chaque produit commence donc par les mêmes quelques produits populaires.
Le journal de Larkfield le montre. Le carnet prend 300 produits et leurs 5 meilleurs voisins selon le décompte. En moyenne, 428 clients ont interagi avec ces voisins. Pour un produit typique de Larkfield, 103 clients ont interagi avec lui (la médiane). La liste par décompte favorise donc fortement les produits populaires. Il nous faut une mesure qui pose une autre question : « cette paire est-elle plus fréquente que le hasard le laisserait prévoir? »
L’idée : comparer le décompte au hasard
Section intitulée « L’idée : comparer le décompte au hasard »Deux corrections sont courantes. Elles partent toutes deux du décompte et le divisent par la popularité des produits.
Le tableau des paniers
Section intitulée « Le tableau des paniers »Voici huit clients et cinq produits d’un magasin de camping. Nous avons créé ce petit exemple pour rendre chaque nombre visible.
| Client | Tente | Sac de couchage | Lanterne | Gants | Arrosoir |
|---|---|---|---|---|---|
| Ana | ✓ | ✓ | ✓ | ||
| Ben | ✓ | ✓ | ✓ | ||
| Chen | ✓ | ✓ | |||
| Dara | ✓ | ✓ | |||
| Eli | ✓ | ✓ | |||
| Femi | ✓ | ||||
| Gus | ✓ | ✓ | ✓ | ||
| Ivo | ✓ | ✓ | |||
| Clients (n) | 4 | 2 | 3 | 7 | 2 |
Sept des huit clients ont acheté des gants. C’est le meilleur vendeur. Nous voulons les suggestions pour la page de la tente.
Décompte
Section intitulée « Décompte »Comptez les clients qui ont acheté la tente et chacun des autres produits :
| Avec la tente | Clients communs |
|---|---|
| Gants | 3 (Ana, Chen, Gus) |
| Sac de couchage | 2 (Ana, Ben) |
| Lanterne | 2 (Ben, Gus) |
| Arrosoir | 0 |
Selon le décompte, les gants arrivent en premier. C’est l’erreur du nouveau vendeur.
Le lift compare les clients communs au nombre que donnerait le hasard. Supposons que deux produits n’ont aucun lien entre eux. La proportion de clients qui achètent les deux égale alors le produit des proportions de clients qui achètent chacun. Le lift est la proportion réelle divisée par cette proportion due au hasard :
lift = clients communs × N / (n₁ × n₂)
N est le nombre de clients (8), et n₁ et n₂ sont les nombres de clients de chaque produit. Pour la tente et le sac de couchage : 2 × 8 / (4 × 2) = 2,0. La paire est deux fois plus fréquente que par hasard. Pour la tente et les gants : 3 × 8 / (4 × 7) = 0,86. C’est moins que par hasard. Les acheteurs de tentes achètent des gants un peu moins souvent que les autres clients.
Un lift supérieur à 1 signifie « achetés ensemble plus souvent que par hasard ». Un lift de 1 signifie « aucun lien ». Sous 1, il signifie « moins souvent que par hasard ».
La similarité cosinus divise les clients communs par la racine carrée du produit des nombres de clients des deux produits :
cosinus = clients communs / √(n₁ × n₂)
Tente et sac de couchage : 2 / √(4 × 2) = 0,707. Tente et gants : 3 / √(4 × 7) = 0,567. Le nom vient de la géométrie. Chaque produit est une colonne du tableau, une liste de 0 et de 1. Le cosinus mesure l’angle entre deux colonnes. Deux produits achetés par exactement les mêmes clients obtiennent 1. Deux produits sans client commun obtiennent 0.
Le cosinus pénalise moins la popularité que le lift. Le lift divise par n₂, le cosinus seulement par √n₂. Un meilleur vendeur avec un lien fort peut donc encore être bien classé selon le cosinus.
Le tableau transformé en suggestions
Section intitulée « Le tableau transformé en suggestions »Description textuelle du diagramme
Le diagramme part du tableau des paniers : la tente a 4 clients, les gants 7, le sac de couchage 2 et la lanterne 3. Un encadré indique les clients communs avec la tente : gants 3, sac de couchage 2, lanterne 2, arrosoir 0. Trois flèches les classent. Décompte : gants 3, sac de couchage 2, lanterne 2. Lift, clients communs multipliés par 8 et divisés par le produit des deux décomptes : sac de couchage 2,0, lanterne 1,33, gants 0,86. Cosinus, clients communs divisés par la racine carrée du produit des deux décomptes : sac de couchage 0,707, lanterne 0,577, gants 0,567. Le lift et le cosinus donnent la même suggestion sur la page de la tente : le sac de couchage, puis la lanterne.
Le décompte, le lift et le cosinus utilisent le même tableau. Seuls leurs diviseurs changent. Le décompte ne divise par rien, donc la popularité gagne. Le lift divise par les deux décomptes, donc les produits rares gagnent. Le cosinus se situe entre les deux.
Larkfield : les voisins d’un fauteuil
Section intitulée « Larkfield : les voisins d’un fauteuil »Passons au vrai journal. Dans ce cours, les voisins d’un produit sont les produits qui ont la plus grande similarité avec lui. La commande recs similar du projet les liste, avec le nombre de clients communs. Voici le Driftwood Blush Pink Wingback Armchair, P10020, selon le cosinus :
P10020 Driftwood Blush Pink Wingback Armchair (Armchairs, 432.99 dollars) 1. P12928 0.189 Driftwood Terracotta Rattan Armchair (Armchairs) shared customers 17 2. P12206 0.172 Red Coastal Adirondack-Style Armchair (Armchairs) shared customers 7 3. P10478 0.154 Mustard Tufted Classic Club Armchair (Armchairs) shared customers 3 4. P10682 0.149 Black Rustic Leather Sling Armchair (Armchairs) shared customers 10 5. P11410 0.148 Red Coastal Striped Occasional Armchair (Armchairs) shared customers 4Description textuelle du diagramme
Le fauteuil P10020 est dans l’encadré central. Cinq flèches mènent à ses produits les plus proches. Chaque flèche indique le cosinus et les clients communs. P12928, Driftwood Terracotta Rattan Armchair : 0,189 et 17 clients communs. P12206, Red Coastal Adirondack-Style Armchair : 0,172 et 7. P10478, Mustard Tufted Classic Club Armchair : 0,154 et 3. P10682, Black Rustic Leather Sling Armchair : 0,149 et 10. P11410, Red Coastal Striped Occasional Armchair : 0,148 et 4.
Les cinq voisins sont des fauteuils. Le premier appartient à la même gamme, Driftwood, avec 17 clients communs. Personne n’a expliqué à la méthode ce qu’est un fauteuil. Elle les a trouvés parce que les clients qui regardent un fauteuil en regardent d’autres. C’est pourquoi cette famille de méthodes s’appelle le filtrage collaboratif : les comportements des clients, pris ensemble, font le filtrage.
Ce sont surtout des produits de remplacement, pas des produits complémentaires. Un produit de remplacement est un produit que vous achetez à la place (un autre fauteuil). Un produit complémentaire est un produit que vous achetez avec (un coussin pour le fauteuil). Les consultations renforcent les produits de remplacement, parce que les clients comparent plusieurs fauteuils avant d’en acheter un. Sur une page produit, les deux sont utiles. Dans un courriel hebdomadaire, un client veut rarement un deuxième fauteuil une semaine après en avoir acheté un.
Le lift fait confiance aux petits nombres
Section intitulée « Le lift fait confiance aux petits nombres »Le même fauteuil selon le lift :
1. P10478 304.579 Mustard Tufted Classic Club Armchair (Armchairs) shared customers 3 2. P11410 208.854 Red Coastal Striped Occasional Armchair (Armchairs) shared customers 4 3. P12206 161.928 Red Coastal Adirondack-Style Armchair (Armchairs) shared customers 7Le premier voisin selon le lift n’a que 3 clients communs. Son lift est énorme parce que très peu de clients ont interagi avec lui. Trois clients constituent une preuve faible : un client de plus ou de moins change beaucoup le lift. Le projet ignore déjà les paires avec un seul client commun, parce qu’un client ne constitue pas une preuve. Le lift fait encore confiance aux petits nombres.
Quelle est la popularité des voisins?
Section intitulée « Quelle est la popularité des voisins? »Le carnet répète le test du fauteuil sur 300 produits. Il mesure combien de clients ont interagi avec leurs 5 meilleurs voisins :
Description textuelle du graphique
Un graphique à quatre colonnes. En moyenne, 428 clients ont interagi avec les 5 meilleurs voisins selon le décompte. Selon le cosinus : 286. Selon le lift : 68. La quatrième colonne représente le produit médian du magasin, avec lequel 103 clients ont interagi. Le décompte choisit les voisins les plus populaires, le lift les moins populaires, et le cosinus se situe entre les deux.
Le décompte choisit les voisins les plus populaires, comme dans le magasin de camping. Le lift va à l’autre extrême et choisit des produits rares. Le cosinus se situe entre les deux. C’est pourquoi la principale méthode par article du projet utilise le cosinus.
D’une page produit à une page d’accueil
Section intitulée « D’une page produit à une page d’accueil »Une page produit connaît le produit à l’écran. Une page d’accueil connaît le client. Pour utiliser les voisins sur une page d’accueil, nous prenons les produits avec lesquels un client a déjà interagi. Nous suggérons ensuite leurs voisins. La prochaine leçon construit cela correctement, sous forme de filtrage collaboratif article-article. Le projet exécute déjà les versions par décompte et par lift comme méthodes, cooc et lift. Nous pouvons donc les ajouter au tableau comparatif maintenant.
Description textuelle du graphique
Un graphique avec une ligne par méthode et un axe horizontal pour le recall@10 allant de 0 à 0,2. Trending : 0,156, intervalle de 0,143 à 0,172. Cooc, la méthode par décompte : 0,122, intervalle de 0,109 à 0,136. Lift : 0,059, intervalle de 0,049 à 0,069. Aucun des deux intervalles ne chevauche celui de trending.
Les deux sont sous trending sur la période de test de Larkfield. La méthode par décompte obtient 0,122. Ses voisins populaires sont souvent des meilleurs vendeurs de saison, que les clients achètent. Le lift obtient 0,059. Le lift réussit le mieux pour les nouveaux clients (0,116), qui n’ont souvent que quelques consultations de produits de cette saison. Pour les clients occasionnels et fidèles, le lift chute à 0,010 et 0,014. Il remplit leurs listes de voisins rares d’anciens achats.
Le lift a une force : la couverture. Ses listes montrent 74,5 % des produits en vente, contre 36,2 % pour les décomptes et 0,3 % pour trending. Les produits rares ont une chance. La prochaine leçon montre comment le cosinus avec des poids de récence se situe entre les deux. Elle explique aussi pourquoi il ne bat toujours pas trending ici.
Quand l’utiliser, quand l’éviter et combien cela coûte
Section intitulée « Quand l’utiliser, quand l’éviter et combien cela coûte »Utilisez la cooccurrence sur une page produit, où le produit à l’écran constitue un signal fort. Utilisez le cosinus (ou le lift avec un nombre minimum de clients communs) plutôt que les décomptes bruts. Montrez le nombre de clients communs à l’équipe de marchandisage : « 17 clients ont acheté les deux » inspire facilement confiance.
N’utilisez pas les décomptes bruts si les produits de la traîne vous importent : chaque page montre les mêmes meilleurs vendeurs. N’utilisez pas le lift sans décompte minimum : les paires avec 2 ou 3 clients communs gagnent. Ne vous attendez pas non plus à créer une bonne page d’accueil avec seulement des voisins pour les clients qui achètent une fois. Leur historique contient un ou deux produits.
Coût : le projet calcule toutes les paires à partir de 467 160 cellules clients-produits en environ 0,3 seconde sur un fil d’exécution. Il conserve 50 voisins par produit. Le tableau des voisins est petit (2 994 produits × 50). Une page produit le consulte simplement.
Exercice guidé : les voisins dans votre projet
Section intitulée « Exercice guidé : les voisins dans votre projet »-
Ouvrez le carnet depuis l’encadré Faites cette leçon dans un carnet Jupyter en haut de cette page. Exécutez les cellules de préparation.
-
Exécutez la section 1. Elle affiche la taille du tableau de décompte produits-produits.
-
Dans la section 2, prédisez quelle liste contient le plus de fauteuils. Exécutez ensuite la cellule : les listes par décompte, lift et cosinus pour P10020.
-
Dans la section 3, trouvez le produit le plus proche de P11428 selon le cosinus. La vérification affiche
Check passed: best is right.(vérification réussie : le meilleur produit est le bon). -
Exécutez la section 4. Vous voyez la popularité moyenne des voisins : environ 428 selon le décompte, 286 selon le cosinus et 68 selon le lift.
-
Dans un terminal, allez dans votre dossier
larkfield-recset activez son environnement virtuel. Copiez les méthodes de voisinage et la commandesimilar:Fenêtre de terminal S=../nextia-learning-labs/C37/snapshots/end-of-m04cp $S/larkfield_recs/methods/neighbours.py larkfield_recs/methods/cp $S/larkfield_recs/commands/similar.py larkfield_recs/commands/Fenêtre de terminal $S = "..\nextia-learning-labs\C37\snapshots\end-of-m04"Copy-Item "$S\larkfield_recs\methods\neighbours.py" larkfield_recs\methods\Copy-Item "$S\larkfield_recs\commands\similar.py" larkfield_recs\commands\ -
Listez les méthodes. Parmi les méthodes que vous connaissez, quatre nouvelles lignes apparaissent :
Fenêtre de terminal recs evaluate --listcooc people also bought: products bought by the same customers (counts)lift people also bought, by lift: shared customers against chanceitem-cf item-item collaborative filtering (cosine, 50 neighbours, recency)user-user user-user collaborative filtering (cosine, 50 similar customers) -
Affichez les voisins du fauteuil selon le décompte :
Fenêtre de terminal recs similar P10020 --method cooc --n 5P10020 Driftwood Blush Pink Wingback Armchair (Armchairs, 432.99 dollars)1. P12928 17.000 Driftwood Terracotta Rattan Armchair (Armchairs) shared customers 172. P12346 10.000 Birka Grey Nordic Basket-Weave Armchair (Armchairs) shared customers 103. P10682 10.000 Black Rustic Leather Sling Armchair (Armchairs) shared customers 104. P11564 8.000 Grey Nordic Oversized Lounge Armchair (Armchairs) shared customers 85. P10164 8.000 Black Metal-Frame Industrial Armchair (Armchairs) shared customers 8 -
Exécutez la commande à nouveau avec
--method item-cf, qui utilise le cosinus. Vous voyez la liste de la section précédente, avec P12928 en premier à 0,189. -
Évaluez la méthode par décompte par segment :
Fenêtre de terminal recs evaluate cooc --by segmentMethod cooc (people also bought: products bought by the same customers (counts)), test periodCustomers scored: 2,118; trained on events before 2026-06-22recall@10 0.122 (95% interval 0.109 to 0.136), NDCG@10 0.072, MAP@10 0.050, precision@10 0.019, hit rate 16.6%coverage 36.2% of the products on sale, novelty 5.55 bits, diversity 0.72, new products in the lists 9.3%time: fit 0.3 s, suggestions 0.1 ssegment customers recall@10 NDCG@10 95% interval (recall)new 952 0.137 0.086 0.116 to 0.158occasional 556 0.097 0.051 0.075 to 0.121loyal 610 0.121 0.071 0.098 to 0.144new products: 647 orders of new products in the period; recall@10 on them 0.116
Afficher la réponse à l’étape 4
best = neighbours("P11428", "cosine", k=1)[0]neighbours calcule déjà les trois mesures. Vous demandez seulement la liste par cosinus et conservez son premier produit. P11428 est le White Star Magnolia Tree. Vous le retrouvez dans la prochaine leçon, dans l’historique du client C100123.
La liste par décompte du fauteuil contient aussi uniquement des fauteuils. Pour ce produit, les décomptes fonctionnent : les fauteuils ne sont pas des meilleurs vendeurs, donc aucun produit populaire ne domine. L’effet des meilleurs vendeurs apparaît en moyenne, sur beaucoup de produits, comme dans le graphique ci-dessus.
À vous de jouer : le lift sur la page d’accueil
Section intitulée « À vous de jouer : le lift sur la page d’accueil »Changez une chose : la méthode. Évaluez lift par segment. Avant d’exécuter la commande, prédisez : le lift sera-t-il meilleur ou pire que cooc pour les clients fidèles? Exécutez ensuite recs evaluate lift --by segment.
Afficher la réponse
recall@10 0.059 (95% interval 0.049 to 0.069), NDCG@10 0.038, MAP@10 0.028, precision@10 0.010, hit rate 7.9%coverage 74.5% of the products on sale, novelty 8.25 bits, diversity 0.41, new products in the lists 24.0%segment customers recall@10 NDCG@10 95% interval (recall)new 952 0.116 0.076 0.098 to 0.136occasional 556 0.010 0.006 0.004 to 0.017loyal 610 0.014 0.008 0.008 to 0.022Bien pire : 0,014 pour les clients fidèles, contre 0,121 avec les décomptes. Les clients fidèles ont de longs historiques, et le lift transforme chaque ancien produit en liste de voisins rares. La nouveauté est élevée (8,25 bits), tout comme la couverture (74,5 %). Une liste peut être nouvelle et variée sans aider personne.
Erreurs courantes
Section intitulée « Erreurs courantes »Erreur courante
Les mêmes meilleurs vendeurs sur chaque page produit
Symptôme : Hana ouvre dix pages produit. La rangée « les clients ont aussi acheté » montre les mêmes meilleurs vendeurs sur presque toutes les pages. À la fin juin, l’un d’eux est un manteau d’hiver.
Cause : la rangée est classée selon les décomptes bruts de cooccurrence. Un produit avec lequel beaucoup de clients interagissent se retrouve dans beaucoup de paniers par hasard. Il arrive donc en tête de la liste par décompte pour presque chaque produit. Un duffle-coat acheté par 857 clients dans l’ensemble du journal en est un exemple. Nous avons créé ce problème exprès pour vous exercer. Sur la page d’accueil, 20,0 % des listes cooc de la période de test contiennent un manteau d’hiver.
Solution : classez selon la similarité cosinus, ou selon le lift (rapport d’association) avec un nombre minimal de clients communs. Vérifiez la correction avec le test des meilleurs vendeurs du carnet (notebook) Jupyter. La popularité moyenne des voisins devrait diminuer.
Erreur courante
Un produit étrange en tête de la liste par lift
Symptôme : la liste par lift d’un fauteuil commence par un produit avec lequel seulement 3 clients ont aussi interagi. Hana demande pourquoi.
Cause : le lift divise par la popularité des deux produits. Un produit rare obtient un lift énorme avec seulement quelques clients communs.
Diagnostic : recs similar P10020 --method lift affiche les clients communs à côté de chaque lift.
Solution : utilisez la similarité cosinus, ou exigez davantage de clients communs avant de vous fier au lift. Le projet en exige au moins 2; une page produit peut en nécessiter 5 ou 10.
Vérification des connaissances
Section intitulée « Vérification des connaissances »Vérifiez votre compréhension
Dans un magasin de 100 clients, 20 ont acheté un barbecue, 50 des gants de jardinage et 10 les deux. Calculez le lift et la similarité cosinus de cette paire. Les deux produits sont-ils achetés ensemble plus souvent que par hasard?
Afficher la réponse
Lift = 10 × 100 / (20 × 50) = 1,0. Similarité cosinus = 10 / √(20 × 50) = 10 / 31,6 = 0,316. Un lift de 1 signifie qu’il n’y a aucun lien. La moitié des acheteurs de barbecue ont acheté des gants, comme la moitié de tous les clients. Le décompte de 10 semble élevé seulement parce que les gants sont populaires.
Votre réponse contient-elle les points principaux de la nôtre ?
Connectez-vous et inscrivez-vous au cours pour enregistrer vos réponses. Chaque vérification compte pour le certificat.
Vérifiez votre compréhension
Pourquoi un classement par décomptes bruts de cooccurrence place-t-il les mêmes quelques produits sur presque chaque page produit?
Afficher la réponse
Un décompte représente le nombre de clients qui ont interagi avec les deux produits. Un produit populaire partage beaucoup de clients avec chaque autre produit, simplement par hasard. Les meilleurs vendeurs arrivent donc en tête de la liste par décompte de presque chaque produit. Chez Larkfield, les 5 premiers voisins par décompte de 300 produits comptaient en moyenne 428 clients ayant interagi avec eux. Avec la similarité cosinus, cette moyenne était de 286. Le lift et la similarité cosinus divisent par la popularité des produits pour corriger cet effet.
Votre réponse contient-elle les points principaux de la nôtre ?
Connectez-vous et inscrivez-vous au cours pour enregistrer vos réponses. Chaque vérification compte pour le certificat.
Vérifiez votre compréhension
Le lift offre la plus grande couverture (74,5 %) et la plus grande nouveauté des trois méthodes. Tomás dit que c'est donc la meilleure méthode pour la page d'accueil. Que répondez-vous?
Afficher la réponse
La couverture et la nouveauté indiquent que les listes sont variées et inhabituelles, pas qu’elles sont utiles. Sur la période de test de Larkfield, le lift obtient le plus faible rappel à 10 (recall@10) des trois : 0,059. Il atteint seulement 0,010 pour les clients occasionnels et 0,014 pour les clients fidèles. Il favorise des voisins rares avec 2 ou 3 clients communs, ce qui constitue une preuve faible. Examinez d’abord le rappel par segment, puis la couverture et la nouveauté, comme dans le module 3.
Votre réponse contient-elle les points principaux de la nôtre ?
Connectez-vous et inscrivez-vous au cours pour enregistrer vos réponses. Chaque vérification compte pour le certificat.
Récapitulatif
- « Les clients ont aussi acheté » commence par un décompte de cooccurrence : les clients qui ont interagi avec les deux produits.
- Les décomptes favorisent les meilleurs vendeurs. Le lift = clients communs × N / (n₁ × n₂) compare le décompte au hasard. La similarité cosinus = clients communs / √(n₁ × n₂) se situe entre les décomptes et le lift.
- Dans le petit tableau, le décompte classe les gants en premier pour la page de la tente. Le lift (2,0) et la similarité cosinus (0,707) classent le sac de couchage en premier.
- Chez Larkfield, les voisins du fauteuil P10020 selon la similarité cosinus sont cinq fauteuils. Le premier, P12928, partage 17 clients. Le premier voisin selon le lift n’en partage que 3.
- Comme méthodes pour la page d’accueil,
coocobtient 0,122 etlift0,059 sur la période de test. Les deux sont sous la méthode des tendances (0,156).
Une page produit connaît un seul produit. Un client qui revient a interagi avec plusieurs produits. Ensuite, nous réunissons dans une seule liste les voisins de tous les produits avec lesquels un client a interagi. Nous expliquons aussi chaque suggestion à partir des données.
Leçon suivante : Filtrage collaboratif article-article