แนะนำร้านให้แม่น ด้วยพลังของ Collaborative Filtering

Merchant Recommendation ด้วย Collaborative Filtering

แนวคิดหลักคือ

“ผู้ใช้ที่มีพฤติกรรมคล้ายกัน มักชอบร้านคล้ายกัน”

เรา ไม่ต้องรู้รายละเอียดร้าน ก็แนะนำได้ จากพฤติกรรมการใช้งาน

1) เตรียมข้อมูล

สร้างตารางพฤติกรรมการใช้งาน

interaction อาจมาจาก

• จำนวนครั้งที่ใช้จ่าย
• ยอดใช้จ่าย
• การกดดู / คลิก / เซฟร้าน

2) สร้าง User–Merchant Matrix

แปลงเป็นเมทริกซ์

ค่าศูนย์ = ยังไม่เคยใช้

3) ใช้ Matrix Factorization (แก่นของ CF)

โมเดลจะเรียนรู้ latent factors

User Vector  ×  Merchant Vector  ≈  Interaction Score

เครื่องมือยอดนิยม

• ALS (Implicit/Explicit)
• LightFM
• Surprise library

ผลลัพธ์คือได้ embedding ของ

• ผู้ใช้แต่ละคน
• ร้านแต่ละร้าน

4) การแนะนำทำยังไง

สำหรับผู้ใช้ U1

1. เอา user vector ของ U1
2. คูณกับ merchant vector ของทุกร้าน
3. ได้คะแนนความน่าจะสนใจ
4. ตัดร้านที่เคยใช้แล้วออก
5. เลือก Top-N ร้านคะแนนสูงสุด
   

กลายเป็นร้านที่ “คนคล้าย U1 เคยใช้และชอบ”

5) ข้อดี

• ไม่ต้องมีข้อมูลหมวดร้าน
• ทราบถึงรสนิยมที่ซ่อนอยู่ได้ (เช่น คนชอบ ramen → ชอบชาเขียวพรีเมียม)
• แม่นยำเมื่อมีข้อมูลเยอะ

6) ข้อจำกัด

• ผู้ใช้ใหม่ -> แนะนำไม่ได้ (cold start problem)
• ร้านใหม่ -> ยังไม่มีใครใช้ ก็ยังไม่ถูกแนะนำ
• ไม่เข้าใจบริบทเวลา และ location

สรุป

ใช้พฤติกรรมผู้ใช้สร้างความคล้ายกัน แล้วแนะนำร้านที่ “คนรสนิยมใกล้กัน” เคยใช้ แต่ผู้ใช้นี้ยังไม่เคยใช้