在技術領域，個性化是使用戶參與和滿意的關鍵。個性化最明顯的實現(xiàn)之一是通過推薦系統(tǒng)，該系統(tǒng)根據(jù)其互動和偏好為用戶提供量身定制的內(nèi)容，產(chǎn)品或體驗。從歷史上看，推薦系統(tǒng)的第一個實施是建立在基于舊規(guī)則的引擎(例如IBM ODM(運營決策經(jīng)理)和Red Hat Jboss BRMS(業(yè)務規(guī)則管理系統(tǒng))的基礎上。

但是，機器學習的最新進展從根本上改變了建議的產(chǎn)生方式。本文探討了基于遺產(chǎn)規(guī)則的系統(tǒng)如何運行，其局限性以及機器學習如何破壞了這一空間。

建議的舊規(guī)則引擎

基于規(guī)則的引擎概述

IBM ODM和Red Hat Jboss BRM等舊規(guī)則引擎是開發(fā)推薦系統(tǒng)的首批技術。這些系統(tǒng)依靠IF-then規(guī)則的集合來根據(jù)用戶操作提供建議。這些規(guī)則是由領域?qū)＜翌A定的，他們允許公司建立簡單且可解釋的方法來生成建議。

例如，在電子商務環(huán)境中，可能已應用以下規(guī)則：

· 如果客戶購買筆記本電腦，請推薦筆記本電腦袋和防病毒軟件。

這些系統(tǒng)是作為決策服務實施的，可以獨立于主要業(yè)務應用程序運行，從而使公司可以從應用程序代碼中解除建議邏輯。 IBM ODM和JBOSS BRMS是以可擴展方式創(chuàng)建，管理和執(zhí)行這些決策規(guī)則的強大工具。

基于規(guī)則的引擎的好處

· 簡單性和解釋性：基于規(guī)則的引擎提供的建議簡單易懂，使業(yè)務利益相關者可以簡單地配置或修改規(guī)則。

· 領域知識利用：規(guī)則通常是由對業(yè)務深入了解的專家制定的，以確保與業(yè)務目標保持一致的建議。

· 可預測性：規(guī)則引擎的輸出是確定性的;給定一組特定的輸入，系統(tǒng)始終產(chǎn)生相同的輸出。

基于規(guī)則的引擎的局限性

盡管基于遺產(chǎn)規(guī)則的發(fā)動機暫時達到了目的，但它們具有固有的局限性：

· 缺乏可擴展性：隨著更復雜的個性化的增加，系統(tǒng)中規(guī)則的數(shù)量呈指數(shù)增長，這使得維持規(guī)則非常復雜且笨拙。

· 有限的適應性：基于規(guī)則的系統(tǒng)需要手動干預來添加或修改規(guī)則，這是耗時的。這也意味著系統(tǒng)無法自動適應不斷變化的用戶行為或趨勢。

· 個性化差：這些建議僅限于適用于廣泛用戶群體的一般規(guī)則。他們?nèi)狈μ峁﹤€性化建議所需的細微差別，因為他們無法捕獲用戶和項目之間的復雜關系。

建議在建議中的興起

機器學習如何破壞舊系統(tǒng)

隨著數(shù)據(jù)可用性的增長，機器學習(ML)作為一種解決方案，可以克服基于規(guī)則的建議系統(tǒng)的局限性。機器學習算法可以分析大量數(shù)據(jù)，學習用戶行為并生成個性化建議，而無需手動定義的規(guī)則。這種轉變標志著推薦系統(tǒng)的運行方式的轉折點。

機器學習方法

協(xié)作過濾

基于ML的推薦系統(tǒng)(例如協(xié)作過濾)利用歷史用戶交互數(shù)據(jù)來識別模式。在協(xié)作過濾中，分析了用戶項目的關系，以確定單個用戶可能感興趣的產(chǎn)品或內(nèi)容。

示例：根據(jù)其他用戶的觀看習慣推薦觀看某些電影的用戶。

基于內(nèi)容的過濾

與基于規(guī)則的系統(tǒng)不同，基于內(nèi)容的過濾依賴于ML模型來分析用戶與之交互并提供類似建議的項目的功能。

示例：推薦類似類型的電影或與用戶以前看過的電影相同的電影。

混合模型

現(xiàn)代推薦系統(tǒng)通常將協(xié)作過濾與基于內(nèi)容的過濾相結合，以提供更準確和個性化的建議。

傳統(tǒng)規(guī)則引擎的優(yōu)勢

· 可擴展性：機器學習模型本質(zhì)上是可擴展的，因為它們可以處理大量數(shù)據(jù)并從中學習。與基于規(guī)則的系統(tǒng)需要針對新方案的新規(guī)則不同，ML模型可以從歷史數(shù)據(jù)中學習，以創(chuàng)建新的見解，而無需手動更新。

· 適應性：基于ML的推薦系統(tǒng)是適應性的;他們不斷從新數(shù)據(jù)中學習。隨著用戶偏好的發(fā)展，建議也會發(fā)展，而無需進行手動規(guī)則修改。

· 增強的個性化：機器學習可以更深入地個性化。通過分析細粒級別的數(shù)據(jù)，ML模型可以檢測細微的模式并提供高度個性化的建議。

現(xiàn)實世界的影響

在Netflix和Amazon等公司中，可以看到最顯著的轉向機器學習。 Netflix最初使用基于規(guī)則的系統(tǒng)對電影進行分類和建議，但是隨著機器學習的出現(xiàn)，他們能夠通過應用從用戶行為學習的算法來顯著提高建議準確性。轉向基于ML的建議不僅提高了用戶滿意度，還可以提高參與度和更長的觀看時間。

同樣，亞馬遜在提供個性化購物體驗方面的成功通過機器學習加速，使其能夠分析購買歷史，瀏覽行為，甚至可以預測用戶可能感興趣的產(chǎn)品。

為什么傳統(tǒng)規(guī)則引擎尚未完全消失

值得注意的是，盡管機器學習對于復雜的，數(shù)據(jù)驅(qū)動的建議非常有效，但基于規(guī)則的引擎仍在需要可解釋性，合規(guī)性或直接邏輯的情況下使用。當必須遵循明確的預定義規(guī)則時，例如在金融和醫(yī)療保健中，決策需要進行審核和透明，但規(guī)則引擎仍會有所幫助。

例如，在金融服務中，通常使用基于規(guī)則的方法來推薦特定類型的貸款產(chǎn)品，而嚴格合規(guī)性至關重要，并且建議邏輯對于審計師和監(jiān)管機構都可以易于理解。

結論

IBM ODM和Red Hat Jboss Brms等舊規(guī)則引擎為早期推薦系統(tǒng)鋪平了道路，提供簡單性，可解釋性和域?qū)I(yè)知識。但是，他們努力擴展并適應個性化用戶偏好的復雜性，這導致了推薦系統(tǒng)中機器學習的興起。如今，基于ML的推薦系統(tǒng)是許多數(shù)字平臺的基石，通過利用大數(shù)據(jù)和高級算法的力量來推動更深入的個性化和更好的用戶參與度。

盡管傳統(tǒng)系統(tǒng)仍然具有利基市場，尤其是在高度監(jiān)管的行業(yè)中，但在推薦空間中，機器學習的主導地位證明了其解決可擴展性，適應性和個性化挑戰(zhàn)的能力，這些挑戰(zhàn)挑戰(zhàn)了基于遺產(chǎn)規(guī)則的系統(tǒng)無法克服的能力。