in

Comment construire des recommandations basées sur la popularité avec Polars | par le Dr Robert Kübler | Avr, 2023


COMMENT CONSTRUIRE DES RECOMMENDEURS BASÉS SUR LA POPULARITÉ AVEC POLARS

Les systèmes de recommandation sont des algorithmes conçus pour fournir des recommandations d’utilisateurs basées sur leurs comportements passés, leurs préférences et leurs interactions. Devenus essentiels dans diverses industries telles que le commerce électronique, le divertissement et la publicité, ils améliorent l’expérience utilisateur, augmentent la fidélisation des clients et stimulent les ventes.

Dans cet article, nous allons vous présenter l’un des recommenceurs les plus simples mais souvent difficiles à battre : le recommenceur basé sur la popularité. Nous allons créer deux variantes de recommenceurs basés sur la popularité en utilisant Polars : le recommenceur populaire pour tous les clients et le recommenceur populaire par client.

Le recommenceur populaire pour tous les clients fonctionne en recommandant les produits les plus souvent achetés à tous les clients. Nous pouvons l’implémenter en vérifiant quels articles sont les plus souvent achetés parmi tous les clients, puis en recommandant ces articles à chaque client.

Le recommenceur populaire par client recommande les articles les plus populaires à chaque client en utilisant les données de leurs propres achats. Nous pouvons l’implémenter en vérifiant quels articles sont achetés le plus souvent par chaque client et en recommandant ces articles en fonction des achats de chaque client.

Nous allons utiliser notre propre ensemble de données pour implémenter ces recommandeurs. Nous devons tout d’abord créer notre propre ensemble de données en installant Polars et en créant des données aléatoires qui se composent de paires (identifiant de client, identifiant d’article) que nous interpréterons comme « Le client avec cet identifiant a acheté l’article avec cet identifiant ». Nous utiliserons 1 000 000 clients possibles qui peuvent acheter 50 000 produits.

La première version du recommenceur consiste simplement à charger les données, à compter combien de fois chaque article apparaît dans la colonne des identifiants d’articles, puis à retourner les dix produits les plus fréquemment recommandés.

Ensuite, nous allons implémenter le deuxième recommenceur en tranchant le dataframe par client et en obtenant les produits les plus populaires pour chaque client. Nous allons également améliorer le recommenceur pour que chaque client ait un ensemble de recommandations de dix articles, même s’il a acheté moins d’articles. Cette amélioration peut être réalisée en utilisant des articles sélectionnés de manière aléatoire ou en utilisant les articles les plus populaires recommandés par le premier recommenceur.

Nous pouvons maintenant implémenter la même logique en utilisant Polars en utilisant une simple technique de chaînage de méthodes pour simplifier le code. Polars est également beaucoup plus rapide que pandas, ce qui en fait un choix idéal pour les gros ensembles de données.

En conclusion, les recommenceurs basés sur la popularité sont une approche simple mais efficace de création de recommandations personnalisées pour vos clients. Utiliser Polars pour implémenter ces recommandeurs offre une méthode simple et rapide pour obtenir des résultats précis. Cependant, il faut noter que les recommandations basées sur la popularité ne favorisent pas la créativité et la découverte de nouveaux produits. Il est recommandé d’explorer d’autres méthodes qui encouragent la découverte de nouveaux produits pour une meilleure expérience utilisateur.

TABLEAU DES MOTS CLÉS :
– Systèmes de recommandation
– Algorithmes
– E-commerce, divertissement, publicité
– Popularity-based recommender
– Polars
– Dataset
– Méthodes de chaînage
– Bases de données volumineuses
– Recommandations personnalisées
– Créativité
– Découverte de nouveaux produits
– Expérience utilisateur.

What do you think?

Leave a Reply

Your email address will not be published. Required fields are marked *

Merlin 2.0 – Le seul copilote alimenté par l’IA dont vous aurez jamais besoin pour Chrome 🤯

MicroFounder 2.0 en français serait “MicroFondateur 2.0”.