<img src="https://secure.leadforensics.com/84962.png" style="display:none;">
Hur det funkar

En djupdykning i deep learning

Kika bakom kulisserna för att lära dig om magin bakom Loop54

Vad är Deep Learning?

Deep Learning är en utveckling inom datorprogrammering som tar maskininlärning ett steg närmare artificiell intelligens. Konceptet bygger på en uppsättning algoritmer som försöker modellera abstraktioner i data på hög nivå med hjälp av en djup arkitektur med flera bearbetningsskikt.

Det börjar med en produktfeed

Vi börjar med att bygga en modell av produktkatalogen och träna vår algoritm på modellen.

1

En modell med inlärningskapacitet

När den är klar efterliknar modellen det centrala nervsystemet i en mänsklig hjärna. Den innehåller ett system av sammankopplade ”neuroner”, eller noder, i flera lager.

Varje nod i modellen har en uppsättning numeriska funktionsvärden som justeras baserat på erfarenhet (d.v.s. nya inmatningar). På så sätt får modellen inlärningskapacitet.

Funktionerna, som vägs för varje enskild nod, representerar alla varumärken, kategorier och produktattribut i katalogens metadata.   

2

Produkt-nod-matchning

Under inlärningen matar vi alla produkter genom modellen. Varje produkt kommer att matcha en nod, och både produkten och noden kommer att minnas matchningen för all framtid.

Liksom en nod består varje produkt av en uppsättning funktionsvärden. Därför lokaliserar vi en matchande nod genom att jämföra värdena med de från produktinmatningen. 

En matchning sker när produkten och noden har samma, eller snarlika, funktionsvärden.

Den första sökningen görs

I samband med första sökningen använder vi en unik kombination av textmatchning och deep learning för att presentera ett urval av relevanta resultat. Genom att samla in beteendedata förfinar vi resultaten för ökad relevans.

3

Enkel textmatchning

När första sökningen genomförs har vi än så länge inte tillgång till någon beteendedata. Istället får vi förlita oss på enkel textmatchning för att ta fram en lista över produkter som innehåller sökfrågan i sin metadata.

Varje produkt i listan tilldelas poäng baserat på var ordet används i metadatan (d.v.s. den får fler poäng om ordet används i produktnamnet istället för bara i beskrivningen).

Innan sökresultaten visas för besökaren lämnas produktlistan som hittades genom textmatchning över till vår deep learning-algoritm för vidare analys.

4

Matchande noder

Vår deep learning-algoritm tar listan som hittades genom textmatchning och lokaliserar noderna som matchar produkterna i listan.

Om inte alla produkterna i listan matchar samma nod – eller om de matchade noderna inte tillhör samma kluster (d.v.s. kluster med noder som delar liknande funktionsvärden) – delar vår algoritm upp listan i produktgrupper som faktiskt matchar samma nod och/eller nodkluster.

Listgrupper:
Grupp 1: Yellow pot., Russet pot., potato flour ...
Grupp 2: Yukon french fries, yams ...
Grupp 3: Stir fry, croquettes ...
...

5

Slumpmässiga urval

Vi tar sedan ett slumpmässigt urval av produkterna från var och en av de nyskapade grupperna och visar dem som resultat för besökaren.

Urvalsfördelningen och rankningen av resultaten avgörs av textmatchningspoängen (d.v.s. ett större urval hämtas från grupperna med högst poäng).

Det här innebär att vår motor visar besökaren en rad relevanta direktträffar, utan att en särskild kategori eller produkttyp får dominera.

Sannolikhetsfördelning:
Grupp 1: 37%
Grupp 2: 22%
Grupp 3: 10%

...

6

Beteendedata

Så snart en användare interagerar med sökresultaten (klickar, lägger i varukorgen, köper o.s.v.) kan vi börja förfina resultaten med hjälp av beteendeinformationen. 

Nästa gång en besökare använder samma eller en liknande sökfråga, påverkar tidigare beteenden vilka produkter som bäst representerar sökfrågans avsikt.

På sikt behöver vi inte använda textmatchning för produktlistan som vår deep learning-algoritm bearbetar. Istället förlitar vi oss helt till tidigare användarbeteende.

Uppdaterad sannolikhetsfördelning (med beteendedata):
Grupp 1: 68%
Grupp 2: 15%
Grupp 3: 5%

....

Så småningom har vi så mycket beteendedata att slumpmässiga urval inte längre kommer att behövas för att fastställa relevans

De relaterade resultatens relevans

Utöver direktträffarna genererar vår motor en lista med Relaterade resultat. De här resultaten har inget koppling mot den faktiska sökfrågan, men är relevanta eftersom deras funktionsvärden liknar direktträffarnas.

7

Produkter och noder

Som vi tidigare nämnt kommer en produkt och en nod med identiska, eller nästan identiska, värden att ses som en matchning.

Medan en enskild produkt bara kan matcha en nod, kan en enskild nod matcha flera produkter.

Produkterna som matchar samma noder som produkterna som hittades genom textmatchning och/eller beteendeanalys används i listan Relaterade Resultat.

8

Relaterade resultat

Produkterna som listas under Relaterade Resultat liknar produkterna som listades som direktträffar.

De är liknande eftersom de matchar samma noder och därför har likande funktionsvärden.

För det mesta, men inte alltid, är de rekommenderade resultaten relaterade till direktträffarna på ett av följande tre sätt:

  1. Varumärken med liknande produktserier
  2. Produkter med liknande användningsområden
  3. Liknande produkter från andra varumärken
algorithm8-updated.png

Lär dig mer

Boka en personlig demonstration med vårt team för att lära dig mer om vår algoritm och se den in action.