构建机器学习推荐引擎,以鼓励基于过去购买行为的额外购买

时间:2019-03-04 18:33:41 阅读:1次
摘要
大多数在线销售产品的网站都会向您显示您可能感兴趣的项目列表。建议越多,您购买这些产品的可能性就越大,这将增加销售额。但这些建议是如何产生的?此代码模式向您展示如何使用Jupyter笔记本,Apache Spark和PixieDust从客户数据构建推荐引擎,这些都是开源项目。与Watson Studio和Watson Machine Learning结合使用时,您可以快速生成交互式仪表板,以探索和测试推荐模型。
描述
使用来自所有客户的购买数据是创建建议的最快方式。有了这些数据,您就可以创建购买类似产品的客户群(集群)。在每个群集中,客户彼此更相似,而不是其他群组中的客户。
在此代码模式中,我们使用历史购物数据来构建使用Spark和Watson Machine Learning的推荐引擎。然后将该模型用于交互式PixieApp中,其中模拟购物篮并用于创建推荐列表。
完成此代码模式后,您将了解如何:
在IBM Watson Studio中使用Jupyter笔记本
使用SparkML和Watson Machine Learning构建推荐模型,根据客户的购买历史记录为客户提供产品推荐
使用PixieApps构建交互式仪表板

登录IBM Watson Studio。
将提供的笔记本加载到Watson Studio中。
在笔记本中加载和转换客户数据。
使用SparkML构建k-means聚类模型。
将模型部署到Watson Machine Learning。
测试并比较笔记本中内置的模型和Watson Machine Learning API
使用API??构建交互式PixieApp。
说明
在README文件中查找详细说明。这些步骤将解释如何:
注册Watson Studio。
创建项目并添加服务。
创建一个笔记本。
在笔记本中加载客户数据。
添加Watson机器学习服务。
构建并运行推荐PixieApp。
构建机器学习推荐引擎,以鼓励基于过去购买行为的额外购买所属专题:购买专题 额外专题 《构建机器学习推荐引擎,以鼓励基于过去购买行为的额外购买》链接:http://www.zhouchuanxiong.net/644