Алгоритм персонализации, анализирующий потенциальные интересы пользователей на основе текстовых описаний.
Анализируя тексты, написанные пользователями, с минимальными вычислительными затратами, выявляет их качественные предпочтения (например, авангардные, поп, роскошные, современные и т. д.), устраняет несоответствия в товарных рекомендациях и ответах, обеспечивая точную персонализацию для самых разных вкусов.
Используя геометрические свойства лингвистического гиперпространства и собственный математический алгоритм машинного обучения, мы можем анализировать предпочтения и особенности личности пользователя, описанные в тексте, без необходимости в крупных массивах поведенческих данных. Для этого применяется наш уникальный алгоритм семантической гиперплоскости в пространстве встраивания слов, который определяет концептуальные группы через антонимы и требует минимальных вычислительных ресурсов. Таким образом, мы выявляем скрытые предпочтения у пользователей с недостаточной историей действий или небольшим объёмом исходной информации, повышая возможности сервиса в области продуктовых рекомендаций, персонализации и рекомендационных систем. (Патент получен: патент № 7393772)
Также устраняет проблему холодного старта, вызванную недостаточным накоплением начальных поведенческих данных, что является давней задачей традиционных систем рекомендаций.
В традиционных алгоритмах рекомендаций они не работают, пока не накопится достаточно данных о поведении, что делает их бессильными для новых пользователей, которые особенно важны. Эта проблема известна как проблема холодного старта (когда система не может функционировать без накопленных данных) и является критическим недостатком традиционных алгоритмов. В отличие от них, алгоритм LSH не требует накопления поведенческих данных: достаточно лишь краткого описательного текста от пользователя, чтобы мгновенно определить его интересы. Благодаря этому персонализацию можно предоставить сразу же, даже для новых пользователей на самом раннем этапе.
В эпоху пост-массовых медиа он способен точно удовлетворять все более разнообразные и специализированные вкусы и предпочтения современных людей.
Традиционные алгоритмы рекомендаций, основанные на поведенческих базах данных, в конечном итоге обеспечивают точность, постоянно предлагая товары, популярные у большинства, и подвергаются критике за неспособность учитывать разнообразные вкусы и предпочтения.
Между тем, в современных условиях, когда массовые медиа постепенно исчезают, возникает потребность в алгоритмах персонализации, способных удовлетворять всё более разнообразные интересы.
Благодаря своей уникальной лингвистической гиперпространственной геометрии, алгоритм LSH может произвольно задавать и улавливать нишевые векторы интересов, такие как любовь к простым вещам, необычным вещам, броским вещам, практичным вещам или к вещам 60-х годов.
