வேகமாக வளர்ந்து வரும் மின்வணிக சூழலில், தனிப்பயனாக்கம் பயனர் அனுபவத்தை மேம்படுத்தவும் மாற்றங்களை இயக்கவும் வணிகங்கள் தேடும் முக்கிய வேறுபாடாக மாறியுள்ளது. இந்தியாவின் மிகப்பெரிய கண்ணாடி மின்வணிக நிறுவனமாகவும் யூனிகார்ன் ஸ்டார்ட்அப்பாகவும் இருக்கும் லென்ஸ்கார்ட், தனது பெரிய வாடிக்கையாளர் தளத்திற்கு தனிப்பயனாக்கப்பட்ட தயாரிப்பு பரிந்துரைகளை வழங்க முன்னணி தரவு அறிவியல் நுட்பங்களைப் பயன்படுத்த வேண்டியதன் தேவையை அங்கீகரித்தது. லென்ஸ்கார்ட்டின் பயனர்கள் கண்ணாடி தயாரிப்புகளைக் கண்டறிந்து தொடர்புகொள்ளும் விதத்தை மாற்றிய புதுமையான பரிந்துரை அமைப்பில் ஒரு தரவு அறிவியல் ஆலோசகராக எனது அனுபவத்தை இந்தக் கட்டுரை ஆராய்கிறது.
சவால்: கண்ணாடி ஷாப்பிங்கை தனிப்பயனாக்குதல்#
ஆன்லைன் ஷாப்பிங் வரும்போது கண்ணாடித் தொழில் தனித்துவமான சவால்களை முன்வைக்கிறது. பிற பல தயாரிப்பு வகைகளைப் போலல்லாமல், கண்ணாடிகள் மற்றும் கான்டாக்ட் லென்சுகள் பாணி, பொருத்தம் மற்றும் செயல்பாடு ஆகியவற்றை கவனமாக பரிசீலிக்க வேண்டிய மிகவும் தனிப்பட்ட பொருட்களாகும். பயனர் விருப்பங்களை உயர்ந்த துல்லியத்துடன் புரிந்துகொண்டு கணிக்கக்கூடிய பரிந்துரை அமைப்பை உருவாக்குவதே லென்ஸ்கார்ட்டின் இலக்காக இருந்தது, இறுதியில் அதிகரித்த வாடிக்கையாளர் திருப்தி மற்றும் விற்பனைக்கு வழிவகுக்கும்.
திட்டத்தின் முக்கிய நோக்கங்கள்:
- விருப்பங்களைப் புரிந்துகொள்ள பயனர் பார்வை நடத்தையை பகுப்பாய்வு செய்தல்
- தயாரிப்பு பண்புகள் மற்றும் பயனர் தொடர்புகளிலிருந்து கற்றுக்கொள்ளக்கூடிய அமைப்பை உருவாக்குதல்
- தனிப்பயனாக்கப்பட்ட தேடல் முடிவுகள் மற்றும் தயாரிப்பு பரிந்துரைகளை உருவாக்குதல்
- லென்ஸ்கார்ட்டின் தற்போதைய உள்கட்டமைப்பில் பரிந்துரை அமைப்பை தடையின்றி ஒருங்கிணைத்தல்
தீர்வு: Word2Vec இன் சக்தியைப் பயன்படுத்துதல்#
இந்த சிக்கலான சவாலை எதிர்கொள்ள, நாங்கள் Word2Vec ஐப் பயன்படுத்தினோம், இது பொதுவாக சொல் உள்ளடக்கத்திற்குப் பயன்படுத்தப்படும் சக்திவாய்ந்த இயற்கை மொழி செயலாக்க நுட்பமாகும். இருப்பினும், எங்கள் புதுமையான அணுகுமுறையில், கண்ணாடி தயாரிப்புகள் மற்றும் பயனர் விருப்பங்களைக் கற்றுக்கொள்ள மற்றும் பிரதிநிதித்துவப்படுத்த Word2Vec ஐ நாங்கள் மறுபயன்பாடு செய்தோம்.
தரவு சேகரிப்பு மற்றும் முன்செயலாக்கம்#
எங்கள் பரிந்துரை அமைப்பை உருவாக்குவதில் முதல் படி தேவையான தரவுகளை சேகரித்து முன்செயலாக்கம் செய்வதாகும். நாங்கள் இரண்டு முதன்மை தரவு மூலங்களில் கவனம் செலுத்தினோம்:
- பயனர் அமர்வு தரவு: இதில் பயனர்கள் பார்த்த, கிளிக் செய்த, கார்ட்டில் சேர்த்த மற்றும் வாங்கிய தயாரிப்புகளைப் பற்றிய தகவல்கள் அடங்கும்.
- தயாரிப்பு பண்புக்கூறு தரவு: ஒவ்வொரு கண்ணாடி தயாரிப்பு பற்றிய விரிவான தகவல்களை நாங்கள் சேகரித்தோம், இதில் பாணி, நிறம், பிரேம் வடிவம், லென்ஸ் வகை மற்றும் பலவற்றை உள்ளடக்கியது.
தரவு MongoDB இல் சேமிக்கப்பட்டது, இது பெரிய அளவிலான கட்டமைக்கப்படாத தரவைக் கையாளுவதற்குத் தேவையான நெகிழ்வுத்தன்மை மற்றும் அளவிடக்கூடிய தன்மையை வழங்கிய NoSQL தரவுத்தளமாகும்.
கண்ணாடியின் “இலக்கணத்தை” உருவாக்குதல்#
எங்கள் அணுகுமுறையின் மிக முக்கியமான மற்றும் புதுமையான அம்சங்களில் ஒன்று கண்ணாடி தயாரிப்புகளை அவற்றின் பண்புகளைப் பயன்படுத்தி “வாக்கியங்களாக” குறிப்பிடுவதாகும். எடுத்துக்காட்டாக, ஒரு ஜோடி கண்ணாடியை பின்வருமாறு குறிப்பிடலாம்:
பாலினம்சாரா, சிவப்பு, வட்ட-விளிம்பு, பழுப்பு லென்ஸ்
இந்த பிரதிநிதித்துவம் ஒவ்வொரு தயாரிப்பையும் தனித்துவமான பண்புகளின் கலவையாக நடத்த அனுமதித்தது, இயற்கை மொழியில் சொற்கள் வாக்கியங்களை உருவாக்குவது போல.
Word2Vec மாதிரியை பயிற்றுவித்தல்#
எங்கள் தரவு தயாராக இருந்து, கண்ணாடியின் “இலக்கணம்” நிறுவப்பட்டதும், நாங்கள் Word2Vec மாதிரியை பயிற்றுவிக்கத் தொடங்கினோம். பார்வை நடத்தை தரவின் அடிப்படையில் தயாரிப்புகள் மற்றும் பயனர்கள் இரண்டிற்கும் வெக்டார் பிரதிநிதித்துவங்களை உருவாக்க மாதிரி கற்றுக்கொண்டது.
பயிற்சி செயல்முறையில் முக்கிய படிகள்:
- தயாரிப்பு பண்புகள் மற்றும் பயனர் தொடர்புகளை டோக்கனைஸ் செய்தல்
- பொருத்தமான ஹைபர்பேரமீட்டர்களை அமைத்தல் (எ.கா., வெக்டார் பரிமாணம், சாளர அளவு)
- பயனர் அமர்வுகள் மற்றும் தயாரிப்பு பண்புகளின் முழு தரவுத்தொகுப்பிலும் மாதிரியை பயிற்றுவித்தல்
- செயல்திறன் அளவீடுகளின் அடிப்படையில் மாதிரியை மெருகேற்றுதல்
கிடைத்த மாதிரி வெவ்வேறு தயாரிப்பு பண்புகள் மற்றும் பயனர் விருப்பங்களுக்கு இடையேயான உறவுகளை உயர் பரிமாண வெக்டார் இடத்தில் திறம்பட பிடிக்க முடிந்தது.
தனிப்பயனாக்கப்பட்ட பரிந்துரைகளை உருவாக்குதல்#
Word2Vec மாதிரி பயிற்சி பெற்றவுடன், பயனர்களுக்கு தனிப்பயனாக்கப்பட்ட பரிந்துரைகளை உருவாக்க அதைப் பயன்படுத்த முடிந்தது. செயல்முறை பின்வருமாறு செயல்பட்டது:
- ஒரு குறிப்பிட்ட பயனருக்கு, அவர்களின் பார்வை வரலாற்றை நாங்கள் பகுப்பாய்வு செய்து, அவர்கள் தொடர்புகொண்ட தயாரிப்புகளின் அடிப்படையில் ஒரு பயனர் வெக்டாரை உருவாக்கினோம்.
- பின்னர் இந்த பயனர் வெக்டாரைப் பயன்படுத்தி வெக்டார் இடத்தில் ஒத்த தயாரிப்புகளைக் கண்டறிந்தோம்.
- பயனர் வெ