วิธีการทำเหมืองข้อมูลสำหรับระบบแนะนำ (Recommender Systems)
ระบบแนะนำสามารถใช้แนวทางแบบเนื้อหา (Content-based), แบบร่วมมือ (Collaborative), หรือ แบบผสม (Hybrid) ที่รวมทั้งเนื้อหาและร่วมมือ
1. แนวทางแบบเนื้อหา (Content-based Approach)
แนะนำรายการที่คล้ายกับรายการที่ลูกค้าชอบหรือสอบถามในอดีต ขึ้นอยู่กับคุณสมบัติสินค้า (Product Features) และคำอธิบายรายการแบบข้อความ (Textual Item Descriptions)
ในวิธีแบบเนื้อหา คำนวณจากประโยชน์ (Utility) ที่มอบหมายโดยผู้ใช้เดียวกันให้กับรายการต่างๆ ที่คล้ายกัน หลายระบบมุ่งเน้นแนะนำรายการที่มีข้อมูลข้อความ รวมถึง เว็บไซต์, บทความ, และข้อความข่าว สำหรับหนัง พวกเขาหาแนวหนัง (Genres), ผู้กำกับ, หรือนักแสดงที่คล้ายกัน สำหรับบทความ พวกเขาหาคำศัพท์ที่คล้ายกัน แนวทางแบบเนื้อหามีรากฐานในทฤษฎีข้อมูล (Information Theory) ใช้คำสำคัญ (Keywords - กำหนดรายการ) และโปรไฟล์ลูกค้า (Customer Profiles) ที่มีข้อมูลเกี่ยวกับความชอบและความต้องการของผู้ใช้ โปรไฟล์เหล่านี้สามารถได้มาโดยชัดเจน (Explicitly) หรือเรียนรู้จากพฤติกรรมธุรกรรมของลูกค้าตามเวลา
2. แนวทางแบบร่วมมือ (Collaborative Approach)
ในแนวทางแบบร่วมมือ พิจารณาสิ่งแวดล้อมทางสังคมของผู้ใช้ แนะนำรายการขึ้นอยู่กับความคิดเห็นของลูกค้าอื่นๆ ที่มีความชอบหรือความต้องการคล้ายกับผู้ใช้
ระบบแนะนำต้องการช่วงกว้างของวิธีจาก การดึงข้อมูลสารสนเทศ (Information Retrieval), สถิติ (Statistics), การเรียนรู้ของเครื่องจักร (Machine Learning), และ การทำเหมืองข้อมูล (Data Mining) เพื่อค้นหาความคล้ายคลึงระหว่างรายการและความชอบของผู้ใช้
ข้อดีของระบบแนะนำคือพวกเขาสนับสนุนการปรับแต่งส่วนบุคคล (Personalization) สำหรับผู้ใช้อี-คอมเมิร์ซ พัฒนาการตลาดหนึ่งต่อหนึ่ง (One-to-one Marketing) Amazon เป็นผู้นำในการใช้ระบบแนะนำแบบร่วมมือ ให้ "ร้านค้าที่ปรับแต่งส่วนบุคคลสำหรับแต่ละลูกค้า" เป็นส่วนหนึ่งของกลยุทธ์การตลาด
การปรับแต่งส่วนบุคคลสามารถประโยชน์ทั้งผู้ใช้และบริษัทที่เกี่ยวข้อง ด้วยการรับโมเดลที่มีประสิทธิภาพมากขึ้นของผู้ใช้ บริษัทได้ความเข้าใจที่ดีกว่ากับความต้องการของผู้ใช้ การตอบสนองความต้องการเหล่านี้อาจนำไปสู่ความสำเร็จที่สูงขึ้นเกี่ยวกับ การขายข้าม (Cross-selling) ของสินค้าที่เกี่ยวข้อง, การขายเพิ่ม (Upselling), ความเชื่อมโยงของสินค้า (Product Affinities), โปรโมชันหนึ่งต่อหนึ่ง, ตะกร้าสินค้าที่ใหญ่ขึ้น, และการรักษาลูกค้า (Customer Retention)
ระบบแนะนำแบบร่วมมือ (Collaborative Recommender System)
พยายามทำนายประโยชน์ของรายการสำหรับผู้ใช้ u ขึ้นอยู่กับรายการที่ได้รับการจัดอันดับก่อนหน้านี้โดยผู้ใช้อื่นๆ ที่คล้ายกับ u ตัวอย่าง: เมื่อแนะนำหนังสือ ระบบแนะนำแบบร่วมมือพยายามค้นพบผู้ใช้หลายคนที่มีประวัติการยินยอมกับ u ระบบแนะนำแบบร่วมมือสามารถเป็นแบบหน่วยความจำ (Memory-based/Heuristic-based) หรือ แบบโมเดล (Model-based)
วิธีแบบหน่วยความจำ (Memory-based) ใช้ฮิวริสติกเพื่อสร้างการทำนายการจัดอันดับ ขึ้นอยู่กับชุดทั้งหมดของรายการที่ได้รับการจัดอันดับก่อนหน้านี้โดยผู้ใช้ การจัดอันดับไม่ระบุชื่อ (Anonymous Rating) ของชุดรายการ-ผู้ใช้ สามารถคำนวณเป็นค่ารวม (Aggregate) ของการจัดอันดับของผู้ใช้ที่คล้ายกันสำหรับรายการเดียวกัน
