Главная » Разное » Как выбрать окна для дома практические рекомендации

Как выбрать окна для дома практические рекомендации


Как выбрать пластиковые окна - рекомендации эксперта

Один из главных вопросов при выполнении капитального ремонта – как выбрать пластиковые окна правильно, чтобы потом не жалеть о неверно принятом решении. Ответить на него не так просто, с учётом большого количества предложений на рынке, рекламы производителей и фирм, занимающихся установкой оконных конструкций. Проблема решается правильным подходом к выбору изделия, целью которого является не просто замена старых стёкол и рам новыми, но и создание комфортных условий внутри помещений, долговечность сделанной покупки и даже безопасность. Уделив внимание всем критериям оценки, можно в результате получить такие окна, которые полностью будут соответствовать требованиям владельца жилья и прослужат ему не меньше 40–50 лет.

Содержание статьи

Устройство пластикового окна

Перед тем как начинать выбирать, какие пластиковые окна лучше, следует познакомиться с их конструкцией. Состоят такие конструкции из следующих элементов:
• Рам, представляющих собой основу изделия и устанавливаемых в оконных проёмах. Состоят из пластиковых профилей с несколькими камерами, каждая из которых играет свою роль в отведении конденсата.
• Створок – подвижно закреплённых элементов, тоже состоящих из профиля.
• Импостов, специальных перекладин, делящих раму на части. У большинства окон только один такой элемент, у некоторых может быть два и более.
• Стеклопакетов, занимающих основную часть конструкции и удерживаемых благодаря специальным прижимающим элементам – штапикам.
• Уплотнителей, обеспечивающих герметичность.
• Фурнитуры, от которой во многом зависит надёжность и эксплуатационный срок изделия.

Благодаря особенностям своей конструкции, окна из металлопластика получили целый ряд преимуществ по сравнению с другими вариантами. К ним относят повышенное теплосбережение и эффективную звукоизоляцию. При использовании специальной фурнитуры такие конструкции обеспечивают и усиленную защиту от проникновения в квартиру или дом.

Толщина профиля

Одним из главных критериев выбора, какой профиль лучше, является толщина материала. Параметр влияет на прочность конструкции и устойчивость к механическим воздействиям. Чем толще использованный для изготовления окон профиль, тем дольше они прослужат.

Толщина профиля пластикового окна

В зависимости от толщины материалы делят на такие классы:
• «A», с толщиной внешних стенок не меньше 0,28 см и внутренних от 0,25 см. В соответствии с европейским стандартом, которым пользуются все известные производители, это значение должно быть не меньше 0,3 см.
• «B» – профили с наружной толщиной от 0,25 см и внутренней не меньше 0,2 см. Сделанные из них конструкции отличаются невысокой долговечностью и практически не используются для жилых помещений.
• «C» – материал с минимальной толщиной (меньше 0,2 см), не соответствующий современным нормам и подходящий разве что для застеклённой веранды или лоджии.
Кроме толщины, стоит обратить внимание на ещё один параметр – монтажную глубину (или ширину). Его минимальное значение составляет 5 см. Для обеспечения эффективной звуко- и теплоизоляции жилых помещений рекомендуется глубина от 5,8 до 7 см. В шумных районах и северных регионах страны стоит отдать предпочтение профилям с ещё большей шириной – до 13 см.

Количество воздушных камер профиля

Ответ на вопрос, из какого профиля лучше выбрать окна, зависит и от количества камер, которые представляют собой вытянутые на всю длину изделия полости, заполненные воздухом или армирующими материалами.

4-камерный профиль пластикового окна

В оконной конструкции их может быть от 2 до 8. Но чаще всего встречаются профили с 3 или 5 камерами – количество полостей легко рассмотреть на разрезе образца, предоставляемого производителями для рекламы своих окон.
Трёхкамерный профиль подходит для тихого спального района или загородной местности. Пятикамерные варианты выбирают для дома, расположенного в центральной части города или вблизи от оживлённой трассы. В зданиях, недалеко от которых находятся промышленные предприятия или железнодорожные пути, стоит устанавливать профили с 8 камерами.

Армирование

Для повышения эксплуатационного срока рекомендуется выбрать профиль для окна с подходящим армированием. Защита конструкций выполняется с помощью дополнительного элемента, изготовленного из оцинкованного металла.

С его помощью компенсируется деформация из-за температурных перепадов – но только в тех случаях, когда толщина армирования не меньше 1,4–1,5 мм. Такой вариант одновременно обеспечивает защиту и не утяжеляет конструкцию.
Недобросовестные производители могут предлагать изделия с армированием без оцинковки, быстро ржавеющим и неподходящим для длительного использования. Для экономии используются и слишком тонкие листы. Профили толщиной в 0,9–1,2 мм обходятся дешевле, но служат в несколько раз меньше.

Стеклопакеты

Ещё один нюанс определения, как правильно выбрать окна – характеристики стеклопакетов. Внимание стоит обратить на количество камер – воздушных прослоек между стёклами. По этому признаку стеклопакеты делят на три группы:
• Недорогие однокамерные решения с 2 стёклами. Не обеспечивают ни достаточную теплоизоляцию, ни защиту от шума. Их лучше ставить на балконе или в любом другом нежилом и не отапливаемом помещении.
• Двухкамерные стеклопакеты (3 стекла), оптимальные по цене. Могут выпускаться в специальном шумозащитном исполнении – с разной толщиной камер. Снижают уровень шума на 30–40 дБ и подходят для районов, отдалённых от шумных магистралей и заводов.
• Трёхкамерные конструкции из 4 стёкол, обеспечивающие максимальную защиту и уровень комфорта в помещениях. Недостатком является высокая цена и большой вес, из-за которого придётся подбирать специальную фурнитуру. Кроме того, не каждая занимающаяся установкой окон компания возьмётся за монтаж конструкций с такими стеклопакетами.
Кроме количества камер, имеет значение их толщина. Оптимальную тепло- и звукоизоляцию обеспечивает показатель в 6–16 мм. Делать его больше не имеет смысла – габариты увеличатся, эффективность не повысится. Для улучшения характеристик камеры заполняют инертными газами.

Виды стеклопакетов для пластикового окна

Свойства стеклопакетов зависят и от вида стёкол, которые могут быть обычными, энергосберегающими, армированными и ламинированными. Два последних варианта обеспечивают максимальную прочность. Причём, ламинированный триплекс неплохо справляется ещё и с защитой от шума и не образует осколков при повреждении.

Энергосберегающие материалы делятся на i-стёкла и k-стёкла, отличаясь типом и расположением специального покрытия, которое наносится только на наружную или на любую сторону, соответственно.

Противовзломная система

Для большинства квартир в многоэтажных зданиях не требуется дополнительной защиты от проникновения посторонних. Однако для жилья, расположенного на первом и последнем этаже и, особенно, для дома рекомендуется выбирать оконные конструкции с противовзломными системами. Они представляют собой наборы специальной фурнитуры, в которые входят:
• Дополнительные точки запирания. Обычно их только три – с одной из боковых сторон, в верхней и нижней части. У противовзломной фурнитуры запорных элементов значительно больше.
• Противовзломные петли, которые невозможно разобрать, если окно закрыто.
• Специальные ручки, отличающиеся от стандартных наличием блокирующего механизма, не позволяющего открывать створки с наружной стороны.
Необязательным элементом системы защиты от взлома являются блокираторы и замки. Они способны защитить жильё от проникновения снаружи – но, при необходимости, предотвратят и открывание окна изнутри, что может быть важным при наличии в квартире маленьких детей. «Детский» замок позволяет откидывать сворку, блокируя только её распахивание. Защитное приспособление может комплектоваться несколькими запорами для повышения безопасности.

Фурнитура (ручки, петли уплотнители и замки)


Перед тем, как выбрать пластиковое окно окончательно и переходить к поиску установщиков, рекомендуется обратить внимание на использованную при его изготовлении фурнитуру.

Даже качественные оконные конструкции выходят из строя раньше положенного срока, если производитель выбрал для них некачественные ручки или петли.

Существует несколько видов приспособлений для открывания створки:
• Ручки стандартной конструкции, с помощью которых створку можно открыть, закрыть и оставить в частично открытом положении. Обходятся выгоднее остальных вариантов, но обладают и минимальной функциональностью.
• Противовзломные ручки с дополнительной защитой от проникновения.
• Съёмные приспособления, убирающиеся для того, чтобы окно случайно не открыли дети.
Главным требованием к оконным петлям является способность выдерживать вес профилей и стеклопакета. По типу монтажа детали могут быть накладными (самый простой вариант из 2 металлических карточек), ввертными или штыревыми, надёжность которых зависит от количества штырей, и врезными. Последний тип петель считается самым удобным, обеспечивая большие углы открывания створок и оставаясь практически незаметным.

Лучшие производители пластиковых окон

Избежать тщательной проверки качества каждого элемента оконной конструкции можно, выбирая уже готовые изделия от лучших производителей пластиковых окон. Это позволит и сэкономить время, и избежать тех недостатков, которыми отличается продукция малоизвестных фирм и компаний. А увеличение затрат на такие окна компенсируется долговечностью, удобством использования и эффективной изоляцией помещений от внешних факторов (холода, шума и, иногда, ультрафиолетовых лучей).
КВЕ
Немецкий бренд KBE знают на рынке как одного из лучших производителей металлопластиковых окон. Благодаря многолетнему опыту (компания была создана в 1980 году), использованию передовых технологий и материалов, марка завоевала рынки большинства стран, пользуясь популярностью и среди отечественных потребителей.
Причинами выбора марки KBE являются высокие показатели защиты, экологичный пластик, герметичность и устойчивость к температурным перепадам. За счёт эффективной вентиляции окна практически не запотевают. Минусом её продукции является высокая стоимость.
Rehau
Одними из главных задач, решаемых изделиями компании Rehau, является снижение энергопотребления в защищаемых с их помощью домах. Постоянное совершенствование производства привело к тому, что конструкции марки считаются лучшими в Европе и мире.
Выбирать такие окна стоит за отличные тепло- и звукоизоляционные показатели, широкий ассортимент, экологичность и морозоустойчивость. К недостаткам относят сравнительно небольшую высоту створок и практически максимальную стоимость по сравнению с продукцией других марок.
Veka
Работая с 1969 года, компания Veka постоянно улучшает качество своей продукции и считается одним из лидеров в отрасли производства металлопластиковых конструкций. В этом её помогает собственный исследовательский центр и множество сборочных предприятий по всему миру.
Продукцию Veka выбирают за отличную тепло- и звукоизоляцию, получаемую с помощью устойчивого к любым температурам каучукового уплотнителя. Недостаток марки стандартный для всех известных производителей – высокая стоимость окон.
Trocal
Марка Trocal считается первой компанией, начавшей выпускать окна из металлопластика, впервые использовала профили с несколькими камерами и специальным акриловым покрытием. Продукция бренда известна на рынке с середины XX века, а постоянное усовершенствование технологии производства привело к её популярности практически во всех странах мира.
Сборку окон Trocal выполняют на предприятиях Европы, в США, Китае и России. Благодаря использованию российских производственных мощностей качество оконных конструкций сочетается с не самой высокой, хотя и далеко не низкой стоимостью.
LG Chem
Южнокорейский бренд LG Chem занимается производством окон с 1980-х годов. Изделия этого производителя отличаются современным дизайном, прочным пластиком, отличными тепло- и звукоизоляционными свойствами.
В России изделия компании LG Chem в основном продаются на востоке страны, хотя найти её филиалы можно и в центральных регионах. Потребительские качества продукта уступают известным европейским маркам, однако с учётом более доступной стоимости тоже могут стать хорошим выбором для отечественного потребителя.
SALAMANDER
Начало работы немецкой марки SALAMANDER связано не с оконными конструкциями, а с обувью. Однако поиск новых решений в сфере обувного производства привёл к созданию качественных ПФХ-профилей, которыми и занялось специально созданное подразделение.
Производитель известен постоянным появлением новых инновационных идей и широким ассортиментом продукции. Выпуском оконных конструкций SALAMANDER занимается несколько отечественных предприятий, однако их стоимость вполне соответствует ценам изделий лидеров сегмента.
Proplex
Среди всех отечественных производителей компания Proplex выпускает лучшие по качеству изделия. Работая с 1999 года, бренд постепенно расширяет производство и занимается адаптацией своей продукции для условий всех регионов России.
Причинами выбора этих окон можно назвать неплохие эксплуатационные характеристики и доступную стоимость. Хотя среди российских покупателей она всё равно пользуется заметно меньшим спросом по сравнению с Rehau или KBE.
Kaleva
Ещё один российский бренд, не такой известный, но всё равно выпускающий качественную и сравнительно выгодную по цене продукцию. Постоянный контроль производства металлопластиковых окон позволяет его клиентам рассчитывать на длительный эксплуатационный срок такой покупки.
Филиалы компании занимаются не только сборкой рам, но и установкой в них стеклопакетов, и монтажом прямо на объектах. А, значит, заключение договора с Kaleva даёт возможность дополнительно сэкономить время на поисках установщиков.

Как обманывают покупателей пластиковых окон


Далеко не все компании, занимающиеся изготовлением и установкой пластиковых окон, работают честно. Некоторые, рассчитывая на незнание клиентов, стараются сэкономить на материалах и качестве установки. Уменьшить риск столкнуться с недобросовестными производителями и мастерами помогут рекомендации эксперта по поводу обнаружения несоответствий.
К распространённым попыткам обмана клиентов относят:
1. Использование не предназначенных для жилья «объектовых» профилей. Узнать об этом можно по надписям на плёнке («объект» или object) или полному отсутствию обозначений.
2. Отсутствие армирования внутри профиля. Обнаруживается с помощью магнита.
3. Некачественную сборку, результатом которой становится неправильная геометрия, приводящая к ухудшению эксплуатационных характеристик окна и быстрому выходу из строя арматуры. Проверяется замерами.
4. Дешёвая фурнитура, способная привести к выходу изделия из строя и выпадению створок. Рекомендуется проверить марку деталей – лучшими считаются Roto, Maco и SIEGENIA-AUBI.
5. Некачественные и негерметичные стеклопакеты, с неправильным количеством и типом стёкол. Характеристики проверяют поднесённой к окну зажигалкой. Отражений будет столько, сколько стоит стёкол, изменение цвета отражённого пламени показывает наличие энергосберегающих конструкций, негерметичность заметна по запотевшей изнутри поверхности.

Большинство проблем с пластиковыми окнами связано с некачественным монтажом. Обязательными при установке элементами являются паропроницаемая лента и профессиональная монтажная пена.

Защитить их от солнечного ультрафиолета помогут правильно выполненные откосы – профессиональные установщики выполняют и этот вид работы.

Как выбрать фирму по установке пластиковых окон

Качества собранного и установленного изделия во многом зависит от работы монтажников. Для того чтобы избежать проблем при дальнейшей эксплуатации следует правильно выбрать фирму по установке конструкции. Для этого стоит воспользоваться такими рекомендациями:
• Определиться с типом и маркой профиля, из которого будут выполнены окна, и найти предложения, соответствующие сделанному выбору. Это сразу отсевает значительную часть вариантов.
• Самостоятельно выполнить замеры оконного проёма и выполнить расчёты, ориентируясь на среднюю стоимость в сегменте. Сумма, которую запросит выбираемая фирма, не должна быть ни намного большей, ни значительно меньшей (низкая цена часто является свидетельством непрофессионализма мастеров).
• Обратиться в несколько компаний, выслушав предложения каждой из них и проведя сравнение. В процессе выбора задавать вопросы по поводу фурнитуры, условий доставки и монтажа.
• Заключить с выбранной фирмой договор, попросив разъяснить непонятные пункты. До тех пор, пока документ не подписан, заказчик всегда имеет право отказаться от услуг компании.
Занимаясь поисками специалистов, которые будут устанавливать окна, можно воспользоваться и советами других клиентов. Для этого стоит зайти на сайт компании, на тематические форумы и даже обратиться к знакомым, в ближайшее время заказывавших установку окон в своих квартирах или домах.

Видео: Как правильно выбрать пластиковое окно

Получить дополнительные сведения по поводу выбора подходящих оконных конструкций и компаний, занимающихся их установкой, можно с помощью посвящённых этой теме видео.

Заключение

Подводя итоги, стоит отметить, что надёжность пластикового окна, в первую очередь, зависит от качества всех его элементов. Поэтому при выборе, какие оконные конструкции лучше поставить в квартиру, обращают внимание на все детали, от толщины профиля до материалов фурнитуры. Однако, если окна покупаются уже в сборке, имеет значение и производитель – хотя использование европейских технологий позволяет обращать внимание не только на зарубежные марки, но и на отечественные бренды. Последней частью подготовки к установке становится выбор исполнителей работ. Для того чтобы монтаж был выполнен качественно, к этому этапу рекомендуется подойти так же ответственно, как и ко всем предыдущим.

Как выбрать окна для вашего крошечного домика

Нет простого способа выбрать окна для вашей новой конструкции Tiny House. К тому времени, когда вы их выберете, вы уже несколько раз слышите, что ключ к тому, чтобы меньшее пространство выглядело больше, - это включить много естественного света и использовать окна и зеркала, чтобы создать иллюзию большего, менее квадратного пространства. Но с таким количеством брендов на рынке, таким большим количеством стилей внутри этих брендов и таким большим количеством идей об устойчивом строительстве, экологическом строительстве и строительстве с учетом бюджета, процесс выбора может очень легко стать разочаровывающим.Тем не менее, полезно ознакомиться с некоторыми из наиболее популярных стилей окон, а также развенчать некоторые рейтинговые мифы.

Заливные окна

Не знаю, как большие эркеры могли найти подходящее место в крошечном доме. Эркер, как правило, довольно большой и чаще всего включает место у окна. Самый распространенный стиль - это плоский элемент и две боковые планки, которые крепятся к дому. Однако важно помнить, что с эркером вы существенно меняете форму своего дома (что уже является очень ограниченным вариантом в крошечном доме), поэтому вам может потребоваться переделать пол, сайдинг и крышу дома. дом тоже.

Тент Окна

Многие из нас знакомы с окнами-навесами, потому что они были предпочтительным окном для большинства коммерческих структур после Второй мировой войны, включая многие из наших государственных школ. Окна навесов распахиваются или проворачиваются снизу, гарантируя, что они могут оставаться открытыми даже во время дождя, а также затрудняют использование учащимися в качестве средства побега от ужасного урока мировой истории! Сегодня окна этого стиля чаще всего используются в подвальных помещениях.Но в крошечном доме они могут быть именно тем, что вам нужно в спальном лофте, чтобы обеспечить хороший ветер, несмотря на погодные условия. Важно отметить, что если выбрано окно с навесом, вы не сможете использовать в нем настенный кондиционер.

Раздвижные окна

Как следует из названия, раздвижное окно открывается с помощью двух скользящих створок, проходящих одна за другой. На мой взгляд, это красивое современное окно, в котором нет оконных стекол, и позволяет дуть приятный ветерок, когда экран установлен.Единственный недостаток в том, что этими окнами очень легко манипулировать, открывая снаружи, что вызывает небольшую озабоченность по поводу безопасности для менее храбрых.

Штормовые окна

Пора мне показать свое невежество. Я помню, как в детстве у моих родителей в доме были штормовые окна поверх окон. Они были буквально вторым оконным стеклом, которое помогало утеплить наш дом в холодные месяцы. Конечно, это было до рейтинга R, рейтинга Low E и виниловых окон. Я не уверен, что штормовые окна вообще нужны больше, и если они есть, второе оконное стекло либо должно оставаться включенным круглый год, либо их нужно будет хранить; не сильная сторона крошечной домашней жизни.

Окна оконные

Опора архитектуры, фрамуга, вероятно, приобрела полную популярность в елизаветинском и грузинском стилях строительства. Используемые для описания окон, которые открываются для перекрестной вентиляции, или окон, которые пропускают только свет над дверью комнаты, окна с фрамугой, представленные сегодня на рынке, обычно не открываются и предназначены только для украшения. Их можно декорировать, настраивать и оформлять в качестве невероятного фокуса прихожей, но в такой жизненной ситуации, как крошечный дом, когда каждый фунт [на трейлере, конечно] на счету, это не самая разумная особенность для включения.

Мансардные окна

Для небольших и крошечных домов световой люк может стать настоящим спасением. В то время как большинство американцев либо забывают о мансардных окнах, либо полностью исключают их, использование мансардного окна может значительно увеличить общее ощущение размера на чердаке с кроватью крошечного дома или даже в «большой комнате». Они пропускают естественный свет, не жертвуя приватностью. А с уклоном крыши 10/12 (или более крутым), как у многих крошечных домов, световой люк может быть единственной надеждой на установку большого окна для естественного света и пассивного отопления / охлаждения.

Возможности поистине безграничны, и, выбирая окна «со склада» или «в наличии» из коробочного магазина или оконного / дверного ликвидатора, это более экономичный способ, вы также можете рассмотреть нестандартные окна, подходящие только для размер и стиль, который вы хотите для своего крошечного дома! Какие окна вы используете в своем крошечном доме? Вы все еще занимаетесь дизайном и вам интересно, что вам следует учесть? Вы построили и поняли, что ваших окон недостаточно? Поделитесь с нами своей историей.И, как всегда, если вам понравился этот пост, подумайте о том, чтобы поделиться им на Facebook или разместить ссылку в Twitter!

———————————-

Больше не всегда значит лучше. Прогресс не всегда означает забвение наших корней, чтобы построить новое будущее. Блогер, фотожурналист и фермер-любитель Эндрю Одом провел большую часть последних нескольких лет, заново открывая утраченное искусство жить, расти и быть по-настоящему счастливым. Посетите его в Интернете, найдите его на Facebook или подпишитесь на него в Twitter.

.

практических рекомендаций и пошаговых инструкций

Многих пользователей интересует, как отключить обновление до 10 Windows. В общем, такой вопрос остается ни чем не актуальным. После выпуска «десятки» корпорация Microsoft начала активно продвигать свой новый продукт. Вне зависимости от желания пользователей. То есть вы должны обновиться, даже если не хотите. Иначе работать со временем на компьютере будет невыносимо. Итак, многие люди начали выяснять, как отключить предложение обновления до Windows 10.Ведь если вы не хотите отказываться от привычной операционной системы, никто не имеет права вам ее навязывать!

Почему?

Мы не должны делать того, чего не хотим. И это правильно. Тем не менее, почему бы не обновить операционную систему до последней версии, да еще и бесплатно? Это то, о чем мечтают некоторые пользователи. Причины для таких действий всегда есть. И мысль о том, как отключить обновление до 10 Windows, не приходит на ум. Например, многие уже слышали о том, как «качественно» работает новое предложение Microsoft.Во-первых, здесь на данный момент очень много ошибок, недочетов и недоработок. Проблемы несовместимости и прочие прелести не позволяют нормально работать с компьютером. Поэтому хочу отказаться от обновления.

Во-вторых прямая и открытая верстка раздражает. Если у вас Windows 7 или 8, с которой вы привыкли работать, и «дюжина» вас совершенно не интересует, то никто не может заставить вас ее установить. Зачем менять, как говорится, сшитое на мыло? Другой разговор, если вы хотите заменить существующую систему на новую.В противном случае лучше отключить обновление.

В-третьих, очень часто после автоматического обновления Windows на вашем компьютере возникают огромные проблемы и критические ошибки. Вплоть до поломки некоторых компонентов вашего «железа». До той степени, что вы не можете нормально работать со своим компьютером. Эти лишние проблемы лучше устранить. И дождитесь доработки системы. А пока вы должны подумать, как полностью отключить обновление Windows 10.

Manifestation

Начнем с размышлений над вопросом не сразу.Ведь иногда предложения, выводимые операционной системой, не мешают. Так что избавляться от них нет смысла!

Как правило, автоматические обновления отображаются в правом нижнем углу экрана, над панелью «Пуск». Здесь вы увидите небольшое сообщение с просьбой перейти на «десятки». А в системе будет специальная кнопка для автоматического запуска процесса. В принципе ничего опасного нет. Да и избавляться от запроса в этом случае не нужно - он вряд ли помешает работе за компьютером.

Иногда обновление начинает отображаться в отдельных окнах, а также всячески мешает работоспособности операционной системы. Именно в такие моменты пользователи начинают задумываться, как отключить обновления Windows 10 в 8.1 и на «семерке». В принципе, сразу же разобраться с этим вопросом нельзя, а откладывать на время, пока запросы не станут слишком навязчивыми. Но с чего начать?

Центр обновлений

Конечно, с "Центром обновлений". Первое, что вам нужно от пользователя, который хочет сохранить свою операционную систему, - это отключить службу.И загрузка новых компонентов тоже.

Как это делается? Легко и просто. Найдите «Центр обновления Windows» и откройте его. Найдите там настройки. Зайдите в этот параметр, затем обратите внимание на возможность загрузки и установки новых файлов в систему. Здесь нужно выбрать либо «Не проверять» (красным написано, и помечено как «Не рекомендуется»), либо «Проверить, но решение о загрузке и установке компонентов передать пользователю». Сохраните изменения.

Без этой опции нормально не получится Узнайте, как отключить Центр обновлений.Windows 10 именно из-за одного установочного файла раздражает пользователей и настаивает на установке. Поэтому в первую очередь следует позаботиться о том, чтобы объект не появился изначально. Иногда такая возможность существует. Но это не дает 100% гарантии решения проблемы.

Файл

Как полностью отключить обновление Windows 10? Для этого есть другой способ. Вышеупомянутый вариант поможет, если вы не видели ни одного запроса. Если на компьютере уже есть предложение обновления, вы должны поступить немного иначе.Как? Удалите файл обновления, который нас беспокоит. Конечно, предыдущий шаг никто не отменял, автоматическая загрузка и проверка новых документов должна быть отменена в необходимом порядке. Что дальше?

Теперь в «Центре обновлений» придется найти специальный файл обновления и избавиться от него. На самом деле это не так уж и сложно. Достаточно воспользоваться поисковой строкой в ​​правом верхнем углу. В Windows 7 следующие файлы помогут вам удалить обновление до Windows 10: KB3035583, KB2952664 и KB3021917, а в G8: KB3035583 и KB2976978.Найдите их по одному. Затем выберите каждую надпись, щелкните ее правой кнопкой мыши и выберите опцию «Удалить». Согласитесь с необратимостью процесса. Теперь вы можете перезагрузить компьютер и продолжить.

Отключить видимость

В Windows 7 отключить обновление до Windows 10 можно точно так же, как в G8. Придется повторить это снова несколькими способами. Помните: вы должны использовать их в одной комбинации, а не выборочно. Вы удалили уже скачанные файлы обновлений? Большой! Только они вас все равно будут беспокоить.Итак, вам нужно убедиться, что эти документы не отображаются. Это не так уж и сложно.

Искать обновления в Центре обновлений Windows ». Теперь, когда появятся результаты, щелкните вкладку «Важно». Здесь вам нужно найти указанные выше обновления для Windows 7 и Windows 8 соответственно. Затем выберите их (поочередно), затем щелкните правой кнопкой мыши. Теперь появляется контекстное меню с действиями. Как отключить обновление до 10 Windows? Чтобы сообщения не беспокоили вас, просто выберите опцию «Скрыть» для соответствующих документов.И это все. С тех пор в «Центре» вы не увидите указанных обновлений.

Папки

Но на этом вопрос не заканчивается. Чтобы справиться с задачей, нужно выполнить несколько простых шагов. Дело в том, что обновление Windows 10 не только само в «Центре» прописывается, но и прячется на компьютере. Необходимо найти в операционной системе папку, которая отвечает за наличие навязчивых предложений.

Требуемый объект называется $ Windows.~ BT. Это своего рода каталог. По умолчанию он скрыт. Поэтому включите отображение скрытых файлов и папок в настройках компьютера. После этого посетите раздел диска, на котором установлена ​​операционная система. Нужно внимательно смотреть ~ БТ. Нашел? Затем выделите этот объект, нажмите на клавиатуре Shift и нажмите Del. Сообщение о необратимости

.

рекомендательных систем на практике. Как компании зарабатывают онлайн… | by Houtao Deng

Как компании рекомендуют товары

by @ rocinante_11

Такие компании, как Amazon, Netflix, Linkedin и Pandora, используют рекомендательные системы, чтобы помочь пользователям находить новые и актуальные товары (продукты, видео, вакансии, музыку), создавая восхитительных пользователей опыт при увеличении дохода.

Здесь мы предлагаем практический обзор рекомендательных систем. Сначала рассматриваются три основные системы: контентная, совместная фильтрация и гибридная, а затем обсуждаются холодный запуск, масштабируемость, интерпретируемость и использование / исследование.

Рекомендации на основе содержания

В Pandora группа музыкантов пометила каждую музыку более чем 400 атрибутами. Затем, когда пользователь выбирает музыкальную станцию, песни, соответствующие атрибутам станции, будут добавлены в список воспроизведения (Music Genome Project | Pandora, Howe | Pandora).

Это рекомендация, основанная на содержании. Пользователи или элементы имеют профили, описывающие их характеристики, и система будет рекомендовать элемент пользователю, если два профиля совпадают. Коробка моды Stitch Fix - еще один пример рекомендаций на основе содержания.Атрибуты пользователя собираются (рост, вес и т. Д.), А соответствующие модные товары помещаются в коробку, доставленную пользователю (Stitch Fix | 2013).

Для Pandora требуются ручные усилия / затраты для создания музыкальных атрибутов, но во многих случаях такая необходимость отсутствует. Клиенты Stitch Fix предоставляют свои собственные предпочтения, пользователи Linkedin предоставляют собственный опыт работы и навыки, продавцы на Amazon предоставляют информацию о своих товарах, все они могут свободно использоваться для рекомендаций на основе контента.

Простой способ сопоставления пользователей и элементов - сопоставление ключевых слов. Например, для рекомендаций по работе можно сопоставить описание должности с резюме соискателя. Частота использования термина с обратной частотой в документе часто используется для придания большего веса ключевым словам, уникальным для элемента или пользователя.

Более систематическим способом является построение контролируемой модели, оценивающей склонность пользователя к невидимому элементу. В модели функции - это атрибуты пользователей и элементов (например, индикаторная переменная, принадлежащая к одной отрасли работы и соискателю), а переменная ответа - нравится ли элемент пользователю (например,g., будет ли соискатель подавать заявление о приеме на работу).

Методы, основанные на содержании, являются вычислительно быстрыми и интерпретируемыми. Их можно легко адаптировать к новинкам или новым пользователям. Однако некоторые характеристики элементов / пользователей может быть нелегко зафиксировать или описать явно. Stitch Fix решила эту проблему, позволив машинному обучению обрабатывать структурированные данные, а неструктурированные - человеку (например, пользовательскую доску Pinterest).

Совместная фильтрация

Совместные системы фильтрации дают рекомендации на основе исторических предпочтений пользователей в отношении элементов (щелкнули, просмотрели, купили, понравились, оценили и т. Д.). Предпочтение может быть представлено в виде матрицы пользовательских элементов. Вот пример матрицы, описывающей предпочтение 4 пользователей по 5 элементам, где p_ {12} - предпочтение пользователя 1 по элементу 2.

Хотя записи могут быть числовыми, например, задача прогнозирования рейтинга фильмов Netflix (диапазоны рейтингов от 1 до 5), в большинстве приложений они бинарные (например, щелкнули, просмотрели, купили).

В действительности матрица «пользователь-элемент» может составлять более миллиона * миллионов (например, Amazon, Youtube), и большинство записей отсутствует - цель рекомендательных систем - заполнить эти недостающие записи.

Здесь мы описываем три подхода, связанных с совместной фильтрацией, ближайшего соседа и два метода создания нового скрытого пространства: матричная факторизация и глубокое обучение.

Ближайший сосед

Методы на основе ближайшего соседа основаны на сходстве между парами элементов или пользователей. Косинусное подобие часто используется для измерения расстояния.

Матрица предпочтений может быть представлена ​​в виде векторов элементов

Сходство между элементом I1 и элементом I2 рассчитывается как cos (I1, I2) .Матрица также может быть представлена ​​как пользовательские векторы

Сходство между U1 и U2 рассчитывается как cos (U1, U2) . Обратите внимание, что пропущенные значения в матрице предпочтений обычно заполняются нулями.

Для пользователя user_i мы можем порекомендовать элементы, понравившиеся наиболее похожим пользователям user_i (пользователь-пользователь), или элементы, наиболее похожие на элементы, понравившиеся пользователю user_i (элемент-элемент).

Подходы от товаров к товарам обычно используются на практике Amazon (Amazon | 2003), Youtube (Youtube | 2010), Linkedin (Linkedin | 2014) и т. Д.Когда покупателю нравится товар, система «от элемента к элементу» может быстро найти элементы, похожие на него (аналогичные элементы для каждого элемента предварительно рассчитываются и сохраняются в хранилище данных «ключ-значение»). Кроме того, рекомендации по элементам могут быть более интерпретируемыми, чем рекомендации от пользователя к пользователю, например, системы могут объяснить, почему элемент рекомендуется, потому что « вам понравился X ».

Возможно, что количество элементов, похожих на элемент, слишком мало (после применения порогового значения для оценок сходства).Можно расширить список похожих товаров, включив в них похожие товары (Youtube | 2010).

После получения наиболее похожих элементов может оказаться полезным этап постобработки. (Youtube | 2010) ранжировал похожие элементы в соответствии с качеством видео (например, измеренным по рейтингу), разнообразием (например, ограничивало рекомендации одним каналом) и спецификой пользователя (например, видео, похожие на видео, которое пользователь смотрел больше, должно быть имеет более высокий рейтинг для пользователя). Эти три элемента были объединены в линейную модель, что дало окончательный рейтинг.

Методы латентного фактора

Методы латентного фактора создают новое и обычно сокращенное пространство признаков исходного пользователя или векторов элементов, что приводит к уменьшению шума и ускорению вычислений в реальном времени.

Далее мы представляем два метода латентных факторов - матричную факторизацию и глубокое обучение.

Факторизация матрицы

Факторизация матрицы широко использовалась во время проверки рекомендаций Netflix, особенно декомпозиции по сингулярным числам и более практичной версии для рекомендательных систем.

Разложение по сингулярным числам ( SVD) разбивает матрицу предпочтений, поскольку

U и V являются унитарными матрицами. Для 4 пользователей и 5 элементов это выглядит как

, где sigma_1> sigma_2> sigma_3> sigma_4 .

Предпочтение первого пользователя для первого элемента можно записать как

Это может быть представлено в виде векторов

Между сигма-вектором и первым вектором пользователя применяется начальное произведение, а затем скалярное произведение с первым элементом вектор.Видно, что u и v имеют одинаковую длину, т.е. они находятся в одном и том же пространстве скрытых признаков. Сигма-вектор представляет важность каждой функции.

Теперь давайте выберем две верхние характеристики на основе сигм

, которые могут быть представлены в виде векторов элементов и пользователей, каждая из которых имеет длину два.

SVD Саймона Фанка

Многие записи в матрице предпочтений могут отсутствовать, и обычный SVD имеет следующие проблемы: (1) то, как вменяются недостающие значения, может иметь нежелательное влияние на результат.{th} user is

Обратите внимание, что векторы пользователя и элемента не имеют единичной длины, как в SVD, но это не имеет значения, поскольку сумма квадратов ошибки минимизирована. Подход Фанка имел большой успех в решении проблемы Netflix, и идея была реализована Netflix (Netflix | 2012).

Встраивание глубокого обучения

Глубокое обучение является более гибким (чем матричная факторизация) в плане включения различных факторов в моделирование и создание вложений. Например, глубокое обучение использовалось для моделирования последовательной информации путем использования модели пропуска грамматики, первоначально использовавшейся для вычисления сходства слов.(Airbnb | 2018, Zillow | 2018)

Скажем, последовательность элементов пользователя - это элемент1 -> элемент2 -> элемент 3 -> элемент4 ->… Интуиция состоит в том, чтобы использовать каждый элемент в последовательности для прогнозирования соседних с ним элементов, сформулированных как проблема классификации, когда каждый элемент относится к одному классу. Обучающие данные включают в себя соседние K элементов каждого элемента (левые K и правые K элементов). На следующем рисунке показаны пары элементов с K = 1.

Кроме того, каждый элемент представлен как один горячий вектор, длина которого равна количеству элементов.Нейронная сеть принимает в качестве входных и выходных вектор одного из аналогичных элементов, как показано на следующем рисунке, используя (Элемент2, Элемент1) в качестве обучающего примера.

Скрытый слой - это новое пространство объектов (или скрытое пространство), и каждый элемент может быть перенесен в новое пространство объектов с использованием весов между входным слоем и скрытым слоем (по сути, линейная комбинация исходных объектов).

На самом деле элементов могут быть миллионы, и миллиарды примеров используются для обучения сети.Чтобы упростить расчет, можно применить идею отрицательной выборки . Идея состоит в том, чтобы обновить только веса выходного элемента (элемент 1) и небольшого числа других элементов, выбранных случайным образом. Далее мы выделяем элементы и веса, которые необходимо обновить. Это значительно ускоряет расчет.

После того, как каждый элемент представлен в новом пространстве функций, можно вычислить сходство между элементами и дать рекомендации на основе оценок подобия.

В некоторых случаях пользователи посещают последовательность элементов перед преобразованием, например.g. пользователь Amazon совершает покупку после серии просмотров страниц; Пользователь Airbnb бронирует объявление после просмотра нескольких объявлений. Эту информацию можно включить, добавив приобретенный предмет в тренировочную пару каждого предмета (Airbnb | 2018), как показано на рисунке ниже. Рекомендуемые таким образом элементы могут повысить коэффициент конверсии.

Гибридные подходы

Гибридные подходы используют информацию как о взаимодействиях пользователей с предметами, так и о характеристиках пользователей и предметов.

Функция «компании, за которыми вы можете следить» в Linkedin, использовала как контент, так и информацию для совместной фильтрации (Linkedin | 2014).Чтобы определить, хочет ли пользователь следовать за компанией, классификатор логистической регрессии построен на наборе функций. Информация о совместной фильтрации включена в функцию, указывающую, похожа ли компания на те, за которыми уже следил пользователь. Информация о содержании включает в себя соответствие отрасли, местоположения и т. Д. Между пользователем и компанией.

Модели глубокого обучения могут быть мощным средством сочетания совместной фильтрации и информации на основе содержимого. Система рекомендаций Youtube (Youtube | 2016) построила модели глубокого обучения для прогнозирования просмотров пользователей с учетом их предыдущих действий (поисковые запросы и просмотренные видео) и статической информации (пол, местоположение и т. Д.)). Просмотренные видео и запросы представлены в виде вложений. Поскольку нейронные сети обычно принимают входные данные фиксированной длины, векторы видео или запросов, просмотренные пользователем, усредняются и объединяются с другими статическими функциями. Рекомендуется встраивать функции с несколькими категориями в гораздо меньшее пространство (примерно пропорционально логарифму количества уникальных значений), а непрерывные функции должны быть нормализованы между 0 и 1 (Youtube | 2016).

Гибридные методы могут зависеть от рекомендаций, основанных на содержании, когда пользователь / элемент не активен или малоактивен, и становятся более точными по мере поступления большего количества данных.

Холодный запуск, масштабируемость, интерпретируемость и эксплуатация - исследование

Невозможно дать точные рекомендации для новых пользователей / элементов без информации или с небольшим объемом информации. Это называется проблемой при холодном запуске . Это типичная проблема для систем совместной фильтрации, которые полагаются на взаимодействие пользователя с элементом. Можно использовать некоторые эвристики. Новому пользователю можно порекомендовать самые популярные товары в пользовательской области. Для нового элемента могут быть определены некоторые критерии подобия на основе правил.Например, Airbnb использовал среднее значение трех географически ближайших объявлений одного типа и ценового диапазона, чтобы приблизиться к новому объявлению (Airbnb | 2018).

Масштабируемость - ключевой фактор при определении того, какой тип рекомендательных систем использовать. Более сложные системы нуждаются в большем количестве людей, которые потенциально труднее нанять, для создания / обслуживания с более высокой стоимостью оборудования. Это может быть долгосрочное обязательство, и поэтому бизнес должен понимать, насколько возрастает прибыль бизнеса по сравнению с увеличением затрат.С учетом сказанного, вот несколько ключевых элементов построения масштабируемых систем.

Автономные пакетные вычисления и онлайн-обслуживание . При большом количестве пользователей и элементов необходимо рассчитывать легко получаемые рекомендации в автономном режиме по партиям. Например, Linkedin использовал Hadoop для пакетной обработки данных о событиях пользовательских элементов, а затем рекомендации загружались в хранилище ключей и значений для запросов с малой задержкой в ​​режиме реального времени. (Linkedin | 2014)

Выборка . При работе с миллионами пользователей и элементов можно рассмотреть выборку, случайную выборку элементов или пользователей или удаление элементов без значительного участия пользователя.

Использование разреженности . В рекомендательных системах матрица предпочтений пользовательских элементов часто бывает очень разреженной, и большинство записей отсутствует. Использование разреженности может значительно снизить вычислительную сложность (Amazon | 2003).

Многофазное моделирование . Система рекомендаций Youtube разделила процесс моделирования на два этапа. На первом этапе для выбора сотен кандидатов из миллионов используются только данные об активности пользователей. На втором этапе можно использовать дополнительную информацию о видео-кандидатах для дальнейшего выбора и ранжирования.(Youtube | 2016)

Масштабирование глубоких сетей до . Хотя softmax или другие функции используются в выходном слое для обучения, во время обслуживания в реальном времени вычислять вероятность не нужно, и подход ближайшего соседа можно использовать на выходе из последнего скрытого слоя. Упомянутая ранее отрицательная выборка также может рассматриваться, так что для каждого обучающего примера обновляется только небольшое количество весов классов.

Интерпретируемость . Со стороны клиента может быть полезно указать, почему дается рекомендация.Рекомендуя видео пользователю, Youtube добавил ссылку на видео, которое смотрел пользователь, и инициировал рекомендацию (Youtube | 2010).

С точки зрения моделирования интерпретируемость помогает разработчикам понять и отладить систему. Контентные подходы легко интерпретировать, в то время как модели совместной фильтрации сложнее понять, особенно в скрытом пространстве. Можно кластеризовать элементы или пользователей на основе их исходного пространства признаков или скрытого пространства (матричная факторизация и глубокое обучение) и проверить, имеют ли объекты из одного кластера схожие характеристики.

Кроме того, алгоритм t-SNE (Maaten | 2018) может использоваться для проецирования многомерного пространства в 2-мерное пространство для визуализации (Zillow | 2018). Также может быть полезно иметь инструмент, позволяющий быстро просматривать рекомендации в качестве проверки работоспособности, например, Airbnb разработал внутренний инструмент исследования для проверки рекомендаций (Airbnb | 2018).

Эксплуатация-разведка. Рекомендательные системы не должны перегружать исторические данные о предпочтениях пользовательских элементов (использование), чтобы избежать застревания в локальном оптимуме.

Во-первых, следует избегать того, чтобы данные обучения полностью зависели от предыдущих рекомендаций. Youtube включает видео, встроенные в другие сайты, для обучения. Видео, просматриваемые за пределами сайта Youtube, не относятся к рекомендательной системе и могут эффективно отображать новый контент (Youtube | 2016). Можно также рассмотреть вопрос о внесении случайности в систему (например, предоставление случайных рекомендаций).

В систему можно добавить простые правила для увеличения разнообразия рекомендаций. Например, в рекомендации Youtube (Youtube | 2010) слишком похожие друг на друга видео удаляются, а количество видео с одного канала ограничено.

Также могут применяться методы от многоруких бандитов. Верхний предел достоверности был применен Uber eats для увеличения разнообразия рекомендуемых ресторанов / блюд (Uber | 2018). Идея верхней доверительной границы заключается в использовании верхней границы предполагаемой вероятности успеха (например, количества заказов, кликов, просмотров). Когда поступает новый элемент без какой-либо информации, доверительный интервал широк, поэтому верхняя граница высока. Таким образом, у новинки были высокие шансы быть рекомендованной.По мере того, как товар получает больше показов, оценка будет более точной, а верхняя граница будет ближе к его фактическому значению.

Закрытие

В этой статье обсуждаются методологии и ключевые перспективы построения рекомендательной системы. На практике компании должны делать выбор, основываясь на множестве факторов, таких как точность, сложность и влияние на бизнес, в условиях реальных ограничений ресурсов (например, инженеров и затрат на программное обеспечение / оборудование).

Ссылки
[1] Music Genome Project.Пандора | Википедия
[2] Музыкальный рекомендатель Пандоры. Майкл Хоу | Pandora
[3] Рекомендации Amazon.com: совместная фильтрация элементов данных, Грег, Смит и Йорк | Amazon | 2003
[4] Система рекомендаций по видео YouTube. Дэвидсон, Либальд, Лю, Нанди, Влит, Гарги, Гупта и др. | Youtube | 2010.
[5] Карты просмотра: совместная фильтрация в LinkedIn. Ву, Сэм, Шон, Митул, Поссе | Linkedin | 2014
[6] Рекомендации Netflix: за пределами пяти звезд. Блог о технологиях Netflix | 2012
[7] Обновление Netflix: попробуйте дома.Саймон Функ | 2006
[8] Вложения листинга в поисковый рейтинг. Михайло Грбович | Airbnb | 2018
[9] Глубокие нейронные сети для рекомендаций YouTube. Пол Ковингтон, Джей Адамс и Эмре Саргин | Youtube | 2016
[10] Домашние вложения для похожих домов Рекомендации. Сангди Лин | Zillow | 2018
[11] Визуализация данных с использованием t-SNE. Маатен, Лоуренс ван дер и Джеффри Хинтон | 2008
[12] Food Discovery с Uber Eats: рекомендации для рынка. Юянь Ван, Юаньчи Нин, Исаак Лю и Сиань Син Чжан | Uber | 2018
[13] Использование обработки человека и машины в системах рекомендаций.Эрик Колсон | Stitch Fix | 2013

.

Введение в рекомендательные системы в 2019 году

Компании электронной коммерции и розничной торговли используют возможности данных и увеличивают продажи, внедряя рекомендательные системы на своих веб-сайтах. Сценарии использования этих систем в последние годы неуклонно увеличиваются, и сейчас самое время глубже погрузиться в эту удивительную технику машинного обучения.

В этом сообщении в блоге вы узнаете о типах популярных рекомендательных систем, о том, как они работают и как их используют компании в отрасли.

Далее мы обсудим требования высокого уровня для внедрения рекомендательных систем и способы их оценки.

Что такое рекомендательные системы?

Рекомендательные системы нацелены на прогнозирование интересов пользователей и рекомендации продуктов, которые, скорее всего, им интересны. Это одни из самых мощных систем машинного обучения, которые интернет-магазины используют для увеличения продаж.

Данные, необходимые для рекомендательных систем, происходят из явных оценок пользователей после просмотра фильма или прослушивания песни, из неявных поисковых запросов и историй покупок или из других знаний о самих пользователях / товарах.

Сайты, такие как Spotify, YouTube или Netflix, используют эти данные, чтобы предлагать плейлисты, так называемые ежедневные миксы, или давать рекомендации по видео, соответственно.

Зачем нужны рекомендательные системы?

Компании, использующие рекомендательные системы, сосредотачиваются на увеличении продаж в результате очень персонализированных предложений и улучшения качества обслуживания клиентов.

Рекомендации обычно ускоряют поиск и облегчают пользователям доступ к интересующему их контенту, а также удивляют их предложениями, которые они никогда бы не искали.

Более того, компании могут привлекать и удерживать клиентов, рассылая электронные письма со ссылками на новые предложения, отвечающие интересам получателей, или предложения фильмов и телешоу, которые подходят их профилям.

Пользователь начинает чувствовать, что его знают и понимают, и он с большей вероятностью купит дополнительные продукты или потребит больше контента. Зная, чего хочет пользователь, компания получает конкурентное преимущество, и угроза потери клиента в пользу конкурента уменьшается.

Обеспечение этой дополнительной ценности для пользователей путем включения рекомендаций в системы и продукты является привлекательным.Кроме того, это позволяет компаниям опережать своих конкурентов и в конечном итоге увеличивать свои доходы.

Как работает рекомендательная система?

Рекомендательные системы работают с двумя видами информации:

  • Характеристическая информация . Это информация об элементах (ключевые слова, категории и т. Д.) И пользователях (предпочтения, профили и т. Д.).

  • Взаимодействие пользователя с элементом. Это такая информация, как рейтинги, количество покупок, лайков и т. Д.

Исходя из этого, мы можем выделить три алгоритма, используемых в рекомендательных системах:

  • Контентные системы , использующие характеристическую информацию.

  • Совместная фильтрация систем, основанных на взаимодействиях пользователя и элемента.

  • Гибридные системы , которые объединяют оба типа информации с целью избежания проблем, которые возникают при работе только с одним типом.

Далее мы немного углубимся в системы контентной и совместной фильтрации и посмотрим, чем они отличаются.

Контентные системы

Эти системы дают рекомендации, используя элементы профиля и элементы пользователя. Они предполагают, что если пользователь интересовался предметом в прошлом, он снова заинтересуется им в будущем. Подобные предметы обычно группируются по их характеристикам. Профили пользователей создаются с использованием исторических взаимодействий или путем явного запроса пользователей об их интересах.Существуют и другие системы, которые не считаются чисто контентными, которые используют личные и социальные данные пользователей.

Одна проблема, которая возникает, заключается в предоставлении очевидных рекомендаций из-за чрезмерной специализации (пользователя A интересуют только категории B, C и D, и система не может рекомендовать товары за пределами этих категорий, даже если они могут быть им интересны) .

Другая распространенная проблема заключается в том, что у новых пользователей отсутствует определенный профиль, если у них явно не запрашивается информация.Тем не менее, добавлять новые элементы в систему относительно просто. Нам просто нужно убедиться, что мы назначили им группу в соответствии с их особенностями.

Системы совместной фильтрации

Совместная фильтрация в настоящее время является одним из наиболее часто используемых подходов и обычно дает лучшие результаты, чем рекомендации, основанные на содержании. Некоторые примеры этого можно найти в рекомендательных системах Youtube, Netflix и Spotify.

Системы такого типа используют взаимодействие с пользователем для фильтрации интересующих элементов.Мы можем визуализировать набор взаимодействий с помощью матрицы, где каждая запись (i, j) представляет взаимодействие между пользователем i и элементом j. Интересный способ рассмотрения совместной фильтрации - рассматривать ее как обобщение классификации и регрессии. Хотя в этих случаях мы стремимся предсказать переменную, которая напрямую зависит от других переменных (характеристик), в совместной фильтрации нет такого различия между переменными характеристик и переменными класса.

Визуализируя проблему в виде матрицы, мы не стремимся предсказать значения уникального столбца, а скорее предсказать значение любой данной записи.

Классификация и совместная фильтрация

Источник изображения

Короче говоря, системы совместной фильтрации основаны на предположении, что если пользователю нравится элемент A, а другому пользователю нравится тот же элемент A, а также другой элемент, элемент B, первый пользователь может Также заинтересует второй пункт. Следовательно, они стремятся предсказать новые взаимодействия, основанные на исторических. Для достижения этой цели существует два типа методов: на основе памяти и на основе модели .

На основе памяти

Существует два подхода: первый идентифицирует кластеры пользователей и использует взаимодействия одного конкретного пользователя для прогнозирования взаимодействий других подобных пользователей. Второй подход идентифицирует кластеры элементов, которые были оценены пользователем A, и использует их для прогнозирования взаимодействия пользователя A с другим, но похожим элементом B. Эти методы обычно сталкиваются с серьезными проблемами с большими разреженными матрицами, поскольку количество элементов user-item взаимодействия могут быть слишком низкими для создания кластеров высокого качества.

На основе модели

Эти методы основаны на методах машинного обучения и интеллектуального анализа данных. Цель состоит в том, чтобы обучить модели делать прогнозы. Например, мы могли бы использовать существующие взаимодействия пользователя с элементом, чтобы обучить модель предсказывать 5 самых популярных элементов, которые могут понравиться пользователю. Одним из преимуществ этих методов является то, что они могут рекомендовать большее количество элементов большему количеству пользователей по сравнению с другими методами, такими как использование памяти. Мы говорим, что у них большое покрытие , даже при работе с большими разреженными матрицами.

Проблемы с системами совместной фильтрации

Эти системы сталкиваются с двумя основными проблемами:

  1. Холодный старт: у нас должно быть достаточно информации (взаимодействия пользователя и элемента) для работы системы. Если мы создадим новый сайт электронной коммерции, мы не сможем давать рекомендации, пока пользователи не взаимодействуют со значительным количеством товаров.

  2. Добавление новых пользователей / элементов в систему: будь то новый пользователь или элемент, у нас нет предварительной информации о них, поскольку у них нет существующих взаимодействий.

Эти проблемы можно решить, запросив у пользователей другой тип данных во время регистрации (пол, возраст, интересы и т. Д.) И используя метаинформацию из элементов, чтобы иметь возможность связать их с другими существующими элементы в базе данных.

Какие методы используются для построения рекомендательных систем?

Существует два метода построения системы совместной фильтрации: полносвязные нейронные сети и Item2vec.

Полносвязные нейронные сети

Один из классических подходов - матричная факторизация.Цель состоит в том, чтобы заполнить неизвестные в матрице взаимодействий пользователей с элементами (назовем ее R). Представьте, что у нас каким-то волшебным образом есть две матрицы U и I, такие что U \ times I равно R в известных записях . Используя продукт U \ times I, мы также получим значения для неизвестных записей R, которые затем можно использовать для генерации рекомендаций.

Факторизации матриц

Источник изображения

Умный способ найти матрицы U и I - использовать нейронную сеть.

Во-первых, мы должны сопоставить каждого пользователя и элемент с вектором с размерами M и N соответственно. Это означает, что нам нужно изучить представлений, пользователей и элементов, обычно называемых вложениями (потому что мы встраиваем эти концепции в векторное пространство). Поскольку мы еще не знаем значений этих векторов, нам придется начать со случайной инициализации.

Затем для каждого взаимодействия пользователя с элементом (u, x) мы объединим оба вложения пользователя u и элемента x, чтобы получить один вектор.Поскольку мы уже знаем значение этого взаимодействия пользователя с элементом, мы можем сделать так, чтобы выход сети для этого вектора был таким. Затем сеть будет использовать обратное распространение, чтобы скорректировать как свои собственные веса, так и сами вложения, чтобы результат соответствовал нашим ожиданиям. Таким образом, сеть будет изучать наилучший способ представления пользователей и элементов и будет полезна для прогнозирования взаимодействий, которых она раньше не наблюдала, путем подачи в нее результирующих встраиваний.

Например, давайте посмотрим на изображение выше и предположим, что «Матрица пользователя» и «Матрица элементов» - это наши случайно инициализированные вложения.Для взаимодействия (A, X) мы введем в нашу нейронную сеть вектор [1,2, 0,8, 1,2, 0,6] и заставим его выход равным 4,5. В этом примере мы могли бы использовать MSE в качестве функции потерь. Если бы у нас была двоичная матрица взаимодействий, было бы целесообразно использовать более распространенную функцию потерь в задачах классификации, например перекрестную энтропию.

Очень интересным результатом этого подхода является то, что вложения обычно содержат определенную семантическую информацию. Таким образом, мы не получаем только прогнозы о неизвестных взаимодействиях, но собираем идеи, которые можно сделать применимыми.Например, похожие пользователи окажутся ближе друг к другу в пользовательском векторном пространстве. Это может быть полезно, например, для изучения поведения клиентов.

Товар2vec

Item2vec предлагает, чтобы вложения для элементов можно было найти с помощью того же метода, что и Word2vec. Он использует заказы на покупку в магазине в качестве контекстной информации, что означает, что товары, купленные при аналогичных обстоятельствах, сопоставимы (и будут иметь очень похожие представления в пространстве, в котором находятся вложения).

Этот подход не привлекает напрямую, пользователей и не учитывает их в момент вынесения рекомендаций. Тем не менее, это может быть очень полезно, если наша цель - показать пользователям альтернативы для определенного элемента, который они выбрали («вы купили этот телевизор, вам могут понравиться и другие»).

Основная проблема здесь заключается в том, что нам нужны тонны данных для создания хороших встраиваний. В статье Item2vec использовались два набора данных; один с 9 миллионами взаимодействий, 732 тысячами пользователей и 49 тысячами элементов, а другой с 379 тысячами взаимодействий, 1706 элементами и без информации о пользователях.

Когда внедрять рекомендательную систему?

Теперь, когда у нас есть некоторое представление о рекомендательных системах, пора подумать, когда стоит их внедрять.

Если вы ведете успешный бизнес, вы, вероятно, смогли бы выжить без системы рекомендаций. Однако, если вы хотите использовать возможности данных для улучшения взаимодействия с пользователем и увеличения доходов, вам следует серьезно подумать о его внедрении.

Стоит ли инвестировать в хорошую систему рекомендаций? Хороший способ ответить на этот вопрос - посмотреть, как обстоят дела у компаний, внедривших такие системы:

  • По данным McKinsey, 35% покупок на Amazon являются результатом их системы рекомендаций.

  • По словам Ализилы, во время китайского глобального фестиваля покупок 11 ноября 2016 года Alibaba добилась роста коэффициента конверсии до 20% с помощью персонализированных целевых страниц.

  • На рекомендации приходится 70% времени, которое люди проводят за просмотром видео на YouTube.

  • Согласно McKinsey, 75% того, что люди смотрят на Netflix, исходит из рекомендаций.

  • Использование системы рекомендаций позволяет Netflix экономить около 1 миллиарда долларов каждый год, согласно этому документу, написанному руководителем:

Уменьшение ежемесячного оттока увеличивает жизненную ценность существующего подписчика и уменьшает количество новых подписчиков, которые нам необходимо приобрести для замены аннулированных участников.Мы думаем, что совокупный эффект персонализации и рекомендаций сэкономит нам более 1 миллиарда долларов в год.

  • По данным McKinsey, методы перекрестных продаж и проникновения по категориям увеличивают продажи на 20% и прибыль на 30%.

Каковы предпосылки для построения рекомендательной системы?

Данные - самый важный актив. По сути, вам нужно знать некоторые подробности о ваших пользователях и элементах. Если метаданные - это все, что у вас есть, вы можете начать с контентных подходов.Если у вас много взаимодействий с пользователем, вы можете поэкспериментировать с более мощной совместной фильтрацией.

Чем больше у вас данных, тем лучше будут работать ваши системы. Кроме того, вы должны быть уверены, что у вас есть команда, которая способна понимать данные и правильно ими манипулировать, чтобы их можно было усвоить с помощью техник, которые вы будете использовать.

Некоторые вещи, о которых следует помнить при взаимодействии пользователя с элементом:

  • Вы должны определить взаимодействия по отношению к вашей системе, чтобы данные могли быть извлечены. Например, если вы работаете на сайте электронной коммерции, взаимодействия могут включать клики по элементу, поиск, посещения, избранные элементы, покупок, явных оценок, элементов в корзине покупок или даже выброшенных товаров.

  • Взаимодействия могут быть определены как явное или неявное . Явный - это ситуации, когда пользователь демонстрирует положительный или отрицательный интерес к элементу, например, ранжирует его или оставляет отзыв. Подразумевается, что интерес пользователя определяется его действиями, например поиском или покупкой товара.

  • Чем больше количество взаимодействий для каждого пользователя и элемента, тем лучше будут окончательные результаты.

  • Как правило, есть очень популярные элементы, с которыми пользователи часто взаимодействуют, и другие, с которыми они не взаимодействуют, которые составляют так называемый Long Tail . Рекомендательные системы обычно хорошо работают с популярными товарами, хотя это, вероятно, не очень интересно пользователям, поскольку они, скорее всего, уже знают о них. Пункты «длинного хвоста» - самые интересные, потому что они могут вообще не рассматриваться пользователем, если они не рекомендуются.

Длинный хвост

Источник изображения

В контексте запуска нового продукта внедрить систему рекомендаций с нуля будет непросто.Подход, основанный на содержании, пригодится после того, как пользователи начнут взаимодействовать, или вы можете прямо спросить их об их интересах, чтобы помочь вам в начале. Как только количество пользователей и взаимодействий возрастет, пора задуматься о подходе с совместной фильтрацией, чтобы увеличить потенциал вашей системы.

Наконец, наиболее сложной задачей, вероятно, будет оценка системы и размышления о различных способах улучшения ее производительности. Но не расстраивайтесь, вы почти наверняка повеселитесь и сможете оценить увеличение своих доходов, верно?

Думаете о внедрении системы рекомендаций в вашей организации? См. Здесь 11 вопросов, которые следует задать перед тем, как приступить к инициативе по машинному обучению.

Как оценить рекомендательную систему?

Рекомендательные системы имеют разные способы оценки, и ответ, какой метод оценки выбрать, зависит от вашей цели. Если вас интересует исключительно рекомендация 5 основных элементов (т. Е. Наиболее вероятных элементов, с которыми пользователь будет взаимодействовать), вам не нужно учитывать прогнозы в отношении остальных элементов при проведении оценки.

Однако вас вполне может заинтересовать порядок приоритета этих 5 рекомендаций, поэтому вам придется это учитывать.Выбранный способ оценки оказывает важное влияние на то, как вы проектируете систему. Часто обсуждаются два типа оценки рекомендательной системы: онлайн, и офлайн, подходы.

Онлайн-методы

С помощью онлайн-методов (также называемых A / B-тестирование ) реакция пользователей измеряется с учетом сделанных рекомендаций. Например, вы можете измерить, когда пользователь нажимает на рекомендуемые элементы, а также коэффициент конверсии, и оценить прямое влияние системы.Этот подход к оценке идеален, хотя его обычно сложно реализовать, поскольку единственный способ проводить эксперименты - это взаимодействовать с системой, которая уже находится в эксплуатации. Любой неудачный эксперимент, скорее всего, окажет прямое влияние на доход и пользовательский опыт. Более того, использование реальных клиентов для экспериментов будет происходить медленнее, чем если бы у вас уже были данные заранее.

Автономные методы

Автономные методы идеально подходят для экспериментальных этапов, поскольку пользователь не принимает непосредственного участия, и, в отличие от онлайн-методов, развертывание системы не требуется.Данные разделены на наборы данных для обучения и проверки, что означает, что часть данных будет использоваться для построения системы, а другая часть - для ее оценки. При использовании этих методов нужно быть осторожным, потому что могут быть факторы, которые влияют на результаты и не могут быть адекватно представлены. Например, фактор времени может быть очень важным в рекомендациях (сезонность, погода и т. Д.), Как и настроение клиента в определенный момент времени.

Заключительные замечания

Как мы видели в этом посте, включение рекомендаций в системы - это привлекательная ставка.С точки зрения пользователя, это увеличивает опыт и способствует вовлечению. Для бизнеса это приносит больше дохода.

Лучше иметь базовую систему рекомендаций для небольшой группы пользователей и вкладывать средства в более эффективные методы, когда база пользователей растет.

Самый незаменимый ресурс - это данные. Если вы не храните и не храните его должным образом, пора предпринять необходимые шаги для этого. Когда вы дойдете до стадии реализации, несомненно, необходимо будет глубже вникнуть в предмет.

Бизнес-цели будут определять тип рекомендательной системы, на которой вы должны сосредоточиться в первую очередь: будет ли она привлекать уже активных пользователей или подталкивать нечастых клиентов к большей активности.

Помимо определения бизнес-цели, очень важно, чтобы вы могли анализировать и понимать информацию, полученную с вашего сайта. Учитывая это, ничто не должно помешать вам успешно внедрить систему рекомендаций.

Хотите узнать, что еще может сделать машинное обучение для розничной торговли? В этом руководстве по машинному обучению в розничной торговле представлены другие варианты использования и то, что вам нужно для их реализации.

Дополнительные чтения

Вот несколько дополнительных ресурсов, если вы хотите глубже погрузиться в тему рекомендательных систем:

Для более общего обзора

Более подробная информация на техническом уровне

.

Смотрите также