Мобильные приложения

Трудно идти в ногу с городской культурой и современными тенденциями моды. Парадокс современного шоппинга заключается в том, что мы часто ходим по магазинам сами, но нам все еще нужны мнения и советы других людей. Вот почему люди полагаются на приложения для модных советов.Эти приложения сочетают в себе удобство технологий с человеческим опытом - это ваши встроенные друзья и профессиональные стилисты внутри телефона или планшета. Пользователи могут загрузить изображение своего наряда и попросить других членов сообщества проголосовать за или против него. Они также могут загружать две фотографии рядом и просить сообщество голосовать за своих фаворитов. Эта функция считается одной из самых ценных в соответствии с обзорами приложений в Интернете. В этих приложениях также есть инструмент обрезки, который помогает пользователям работать на своих снимках непосредственно перед их публикацией, это полезно в случае внесения каких-либо изменений в фотографию до ее публикации.Эти и подобные приложения не будут столь же полезными без персонализированной системы рекомендаций, которая позволяет приложению показывать пользователям те товары, которые они могут купить, исходя из их стиля. Эта система основана на технологии машинного обучения.

Как работает машинное обучение?

Персонализированные системы рекомендаций обычно основаны на нескольких разных наборах данных, которые позволяют приложению разделить товары на разные категории, чтобы сделать рекомендации более актуальными. Например, популярное сообщество моды Polyvore недавно обновило свое приложение для iOS, и теперь оно использует следующие типы деления в своей системе рекомендаций: Контентные рекомендации - выбор товара, основанный на том, что понравилось конкретному пользователю; Совместная фильтрация - выбор товаров, основанный на том, что люди со схожими предпочтениями уже выбрали; Дополнительные продукты - выбор товаров на основе того, что соответствует товарам, которые пользователь уже выбрал. Подобные системы фильтров используются в разных приложениях для электронной коммерции, и они могут быть одинаково полезны для мобильного приложения в качестве стильных советов, поскольку они помогают людям сосредоточиться на наиболее важных товарах на рынке.Эти наборы данных помогают приложению по стилю сузить предварительные результаты, и после этого начинается обучение машины. Каждый раз, когда пользователь выбирает товар или отклоняет его, приложение узнает больше о его стиле и предпочтениях. Это означает, что если пользователи достаточно долго взаимодействуют с приложением, они получат более точные индивидуальные рекомендации по стилю.