Ajánló rendszerek az interneten. Abszolút használhatóság. Az ajánlórendszerek korszaka. Példák az explicit adatgyűjtésre

Amikor az ajánlórendszereket még csak elkezdték észrevétlenül implementálni a különféle erőforrásokon, ez szép kiegészítőnek tűnt az önkeresés folyamatához. Ha elég nagy a választék a termékek vagy a tartalom között, a keresés izgalmas utazássá válik, gyakran megjósolhatatlan eredménnyel. Például soha nem érdekeltek a horrorfilmek, inkább a kicsit más irányzatú filmeket kedveltem, azonban a tartalom véletlenszerű tobzódásának köszönhetően egy nap ráakadtam egy klasszikusra. Hellraiser, melynek véletlen megtekintése erős és maradandó nyomot hagyott bennem. Biztos vagyok benne, hogy az olvasók mindegyike legalább egyszer gazdagodott kulturális vagy esztétikai értelemben, pontosan egy véletlenszerű keresésnek és véletlenszerű cselekvéseknek köszönhetően. Másrészt a tematikus források ajánlásai révén sok érdekességet fedeztem fel. Sok film, könyv, zene vagy áru csak az ajánlórendszer sikeres reagálása miatt vált számomra ismertté (és érdekessé). Sokatmondó, hogy ma már szinte mindig az ajánlásokra hagyatkozom, és sokkal ritkábban keresek magamtól valamit, mert utóbbira egyszerűen nem marad idő!

Ezt az állapotot súlyosbítja, hogy látom, hogy az ajánló algoritmusok milyen mértékben értenek meg engem. Ha korábban nem történtek olyan gyakran sikeres slágerek, ma már az ajánlott tételek bő fele érdekel ilyen-olyan mértékben. És amikor mégis megpróbálok egyedül találni valami érdemlegeset ahelyett, hogy apatikusan elfogadnám azt, amit kínálnak, gyorsan feladom a hihetetlen, soha nem látott bőség nyomása alatt. És minél tovább, annál tisztábban rajzolódik ki a nem is olyan távoli jövő képe, amikor a környező valóság folyamatosan alkalmazkodik a személyiségedhez, folyamatosan átalakul és tanul. A kényelem még soha nem volt ilyen fenyegetően abszolút az emberiség történetében. És még soha nem távolították el a használatból ilyen gyorsan és kategorikusan a hihetetlen véletlenszerű leletekre vonatkozó kiskapukat.

A közelgő jövőt olyannak fogadva, amilyen, érdemes megtanulni azt kritikusan értékelni, a kétes vagy éppen sötét oldalakat ugyanolyan buzgalommal azonosítani, mint amilyen lelkesedéssel igyekszünk a dolgunkat megkönnyítő újításokat bevetni a mindennapi életünkbe. Próbáljuk megérteni mai beszélgetésünk tárgyát.

Ajánlórendszerekben alkalmazott szűrési módszerek

Együttműködési szűrés

Az együttműködésen alapuló szűrést széles körben használják, nem utolsósorban a viszonylag egyszerű megvalósítás miatt. Működési elve igazán egyszerű, bár két különböző megközelítésre osztható.

A felhasználó alapú megközelítés figyelembe veszi egy adott felhasználó hasonlóságát a rendszerben részt vevő többi felhasználóhoz. Például, ha Vaszilij pozitívan értékelte a Lady Gagát, az Oasist és a Led Zeppelint, akkor Anastasia, aki szereti Lady Gagát és a Led Zeppelint, megpróbálhatja az Oasist ajánlani.

Az objektumillesztés (elem alapú) koncepciója éppen ellenkezőleg, magát a tárgyakat elemzi, és felfedi hasonlóságukat azokkal, amelyeket egykor Vaszilij kedvelt. A gyakorlatban ez így néz ki - Vaszilij egyszer szerette a Radioheadet és a Blur-t, miért nem ajánljuk neki az Oasist is?

Az együttműködésen alapuló szűrés rendkívül pontos és releváns ajánlásokat ad a hasonló viselkedésű felhasználók közötti különbségek elemzése és összehasonlítása alapján.

Vaszilij és Anasztázia: kölcsönös automatikus ajánlások a preferenciák különbségei alapján.

Tartalomszűrés

A tartalomszűrés belső kapcsolatokat épít ki a kínált termékek vagy bármely tartalom között. Ez az egyszerű elv abban nyilvánul meg, hogy olyan objektumokat ajánl a felhasználónak, amelyek hasonlóak a korábban kiválasztottakhoz. Például, ha vásárol egy gitárkönyvet egy könyvesboltban, akkor automatikusan felajánlanak más népszerű oktatóanyagokat vagy oktatóanyagokat ugyanattól a szerzőtől. A tartalomszűrés elvét alkalmazó ajánlórendszerek nagy előnye, hogy az új felhasználót szó szerint az első fogyasztói lépéseitől kezdve ajánlatokkal tudják felkelteni. Nem kell sokáig adatokat gyűjtenie egy személy preferenciáiról, azonnal bevonhatja a látogatót az erőforrással végzett munkába. A tartalomszűrés egyik fontos előnye az is, hogy olyan objektumokat ajánlhat a felhasználónak, amelyeket más felhasználók nem értékeltek és megkerültek. Ez utóbbi pont gyakran előfordul az együttműködési módszer alkalmazásakor.

A tartalomszűrés teljesen figyelmen kívül hagyja a felhasználók véleményét bizonyos objektumokról. Maguk az objektumok közötti kapcsolatokat kiépítve azonnal, becslések és további személyes adatok gyűjtése nélkül képesek vagyunk valami hasonlót ajánlani egy személynek az őt érdeklő pozícióhoz. Azzal, hogy a felhasználói élményt mint alapvető anyagot kizárjuk az ajánlási rendszerből, megoldani látszik az ún. Hidegindítás, amikor a felhasználói adatok ritkasága miatt a rendszer nem tud személyre szabott javaslatokat tenni. A tartalomszűrés hátránya azonban teljesen helytelen, és néha csak nevetséges ajánlások, mint például: „Vett már Toyota RAV4-et? Önt is érdekelheti a Toyota Highlander!"

A tartalomszűrés elvének használatához kapcsolódó másik nehézség a rendszerben lévő összes objektum közötti kapcsolatok kiépítésén végzett lenyűgöző munka. De ennek a módszernek a fő hátránya abban nyilvánul meg, hogy nagyon alacsony, és néha meglehetősen feltételes a cél. A tartalomszűrés nem jelent nagyfokú személyre szabást, így az ajánlások pontossága viszonylag alacsony.

Tudás alapú szűrés (Tudás– alapján rendszerek)

Az ilyen típusú rendszereket széles körben használják az online áruházakban. Valójában a tudásalapú ajánlások hasonlóak a korábbi tartalomszűrési módszerhez, azonban az ilyen algoritmusok az objektumok mélyebb elemzését alkalmazzák, nem banális hasonlósági kritériumok szerint, hanem bizonyos árucsoportok összekapcsolódása alapján építenek kapcsolatokat közöttük.

A gyakorlatban ez így néz ki - például egy okostelefon megvásárlásával az oldal az új készülékéhez megfelelő kiegészítőket kínál. Lehet borító, fejhallgató, memóriakártya és így tovább. A kiegészítők árengedményével pluszban serkentheti a vásárlót, ami nagyon hasznos lehet egy új készülék vásárlása kapcsán.

A tudásalapú ajánlások jó eredményeket mutatnak, több tíz százalékkal növelve a nagy hálózati kereskedési platformok forgalmát. Ráadásul a tartalomszűréssel ellentétben az ilyen típusú ajánlások rendkívül pontosak, és azt kínálják a felhasználónak, amire valóban szükségük van.

Ha érdeklik a pontos ajánlások, akkor mindenképpen érdemes megfontolni egy tudásalapú rendszer bevezetését az erőforrásán. A tartalomszűréshez hasonlóan egy tudásalapú ajánlórendszer is vizsgálja és elemzi az objektumok (áruk) közötti kapcsolatokat, de emellett számos további lehetőséget is figyelembe vesz az adott felhasználó egyedi tulajdonságaihoz kapcsolódóan.

a) Felhasználó kívánságai... A helyzet mindenki számára ismerős - a webhely felkéri a felhasználót, hogy jelezze a kívánt jellemzőket, majd a kérésnek megfelelő termékeket kínál.

A Yandex.Market és jelölőnégyzetei jó és szemléletes példái a felhasználói követelmények által vezérelt ajánlási rendszernek.

b) Demográfiai jellemzők. Valójában a legnagyobb közösségi hálózatok, például a Facebook, a LinkedIn, a Vkontakte és mások demográfiai adatokat használnak ajánlások megfogalmazásához.

Természetesen egy ilyen rendszer megvalósításához keményen kell dolgoznia - hatalmas mennyiségű adatot kell összegyűjtenie és feldolgoznia.

Hibrid szűrés

A legerősebb és legnehezebben megvalósítható eszköz. Úgy tűnik, a jövő pontosan a különféle ajánlómechanizmusok egyetlen hatékony algoritmussá való kombinációjában rejlik. Az abszolút kényelem és a személyre szabott valóság, amiről a cikk elején beszéltünk, pontosan a leghatékonyabb ajánlási módszerek hibridjének segítségével valósul meg.

Ilyen példát mutat be a Netflix, amelynek komplex, egyedülálló pontosságot mutató hibrid ajánlórendszerét folyamatosan fejlesztik és modernizálják. Egy ilyen hatékony algoritmus kifejlesztésének nagy köze van a Netflix bőkezű kutatási finanszírozásához ezen a területen, amely 2006-ban 1 000 000 dollárt ajánlott fel, hogy 10%-kal javítsa ajánlási rendszerét.

A BellKor Pragmatic Chaos fejlesztőcsapata, akiknek sikerült javítaniuk az algoritmustNetflix10,09%-kal.

Konklúzióként néhány szó a gyakorlati lépésekről

Egy adott típusú szűrés vagy több módszer kombinációjának megválasztása közvetlenül két tényezőtől függ - a projekt összetettségétől és a finanszírozás mértékétől. Például a tematikus, egymást keresztező blogok rendszeréhez algoritmust készíteni viszonylag egyszerű és mérsékelten költséges feladat. A nagyobb és heterogénebb projektek, például a webáruházak drágák, főleg, ha a cél a konverziók igazán jelentős mértékű növelése. Az ilyen projektekben általában nem lehet egyfajta ajánló algoritmusra korlátozni, és hibrid szűrést kell alkalmazni, aminek következtében a fejlesztés költsége és összetettsége nagyságrendekkel megnő.

A hibrid algoritmusok létrehozásához, megvalósításához és hibakereséséhez egy egész csapat tapasztalt fejlesztőre lesz szüksége, akik jól ismerik a lineáris és relációs algebrát, valamint egy sor olyan készségre, amelyek az ajánlási algoritmusok készítőit gyakorlatilag külön szakmává teszik.

Így vagy úgy, ha olyan projektet dolgozunk ki, amely lehetőséget kínál a felhasználónak arra, hogy konkrét objektumokat válasszon egy általános készletből, figyelembe kell venni a használhatóság gyors fejlődését az emberi élet minden területén - az alvásoptimalizálástól kezdve olyan eszközök segítségével, amelyek elemzi az álomban előforduló összes folyamatot, és javaslatokat ad ki annak javítására, a mindennapi termékek automatikus kiválasztására a felhasználó aktuális igényei alapján. Mint ismeretes, minden vállalkozás sikerének elengedhetetlen feltétele a korszellemnek való pontos megfelelés.

Az ajánlórendszerek létrehozásának két fő stratégiája van: a tartalomszűrés és a kollaboratív szűrés.

Nál nél tartalomszűrés jönnek létre profilok felhasználók és objektumok.

• A felhasználói profilok tartalmazhatnak demográfiai információkat vagy válaszokat egy adott kérdéscsoportra.
• Az objektumprofilok tartalmazhatnak műfajneveket, színészneveket, előadóneveket stb. - az objektum típusától függően.

Ezt a megközelítést alkalmazzák a projektben Zenei genom projekt: A zenei elemző minden dalt több száz különböző zenei jellemző alapján értékel, amelyek segítségével azonosítani lehet a felhasználó zenei preferenciáit.

Nál nél kollaboratív szűrés a korábbi felhasználói viselkedéssel kapcsolatos információkat használnak fel – például vásárlásokkal vagy értékelésekkel kapcsolatos információkat. Ebben az esetben nem mindegy, hogy milyen típusú objektumokkal dolgozik, de olyan implicit jellemzők is számításba jöhetnek, amelyeket nehéz lenne figyelembe venni a profil létrehozásakor. Az ilyen típusú ajánlórendszerek fő problémája a "hidegindítás": a rendszerben újonnan megjelenő felhasználókról vagy objektumokról szóló adatok hiánya.

Módszertan

Példák az explicit adatgyűjtésre

• megkérjük a felhasználót, hogy értékelje az objektumot differenciált skálán;
• megkérjük a felhasználót, hogy rangsoroljon egy objektumcsoportot a legjobbtól a legrosszabbig;
• két objektum bemutatása a felhasználónak, megkérdezve, melyik a jobb;
• javaslat a felhasználó által kedvelt objektumok listájának létrehozására.

Implicit adatgyűjtési példák

• annak nyomon követése, hogy a felhasználó mit néz meg az online áruházakban vagy más típusú adatbázisokban;
• a felhasználói viselkedés online nyilvántartása;
• a felhasználó számítógépének tartalmának nyomon követése;

Alkalmazás

Az ajánlórendszerek összehasonlítják a különböző személyektől származó hasonló adatokat, és elkészítik az ajánlások listáját egy adott felhasználó számára. Kereskedelmi és nem kereskedelmi felhasználásukra néhány példát adunk a kollaboratív szűrésről szóló cikkben. Az ajánlórendszerek kényelmes alternatívát jelentenek a keresési algoritmusokkal szemben, mivel lehetővé teszik olyan objektumok megtalálását, amelyeket utoljára nem sikerült megtalálni. Érdekes módon az ajánlómotorok gyakran használnak keresőmotorokat a szokatlan adatok indexelésére.

• Imhonet (filmek, irodalom, fotók)
• Last.fm (zene)
• Ózon (könyvek, CD-k stb.)
• Szoftverinformátor
• Sci-fi laboratórium (sci-fi és fantasy oldal)
• Imdb - filmek (angol nyelvű oldal)
• Rehelper - filmek
• Advizzer - helyszínek
• A Mir4 egy kísérleti rendszer, amely bármilyen tartalommal képes dolgozni, beleértve az alacsony forgalmú tartalmakat is. Egyelőre csak hírekkel dolgozik.

Linkek

Jegyzetek (szerkesztés)

Irodalom

• Melville P., Mooney R., Nagarajan R. Tartalombővített együttműködési szűrés a jobb ajánlásokhoz (eng.) // Texasi Egyetem, USA: Anyagkonf. / AAAI-02, Austin, TX, USA, 2002. - 2002. - S. 187-192.

Wikimédia Alapítvány. 2010.

A tudományos és gyakorlati tevékenység ága, a bibliográfia egyik fajtája (Lásd Bibliográfia). R. fő nyilvános kinevezése. a Szovjetunióban és más szocialista országokban az általános és szakoktatás, valamint az önképzés előmozdítására ... Nagy szovjet enciklopédia

URL: http://imhonet.ru Kereskedelmi: No Type sa ... Wikipedia

Ezt a cikket jelenleg aktívan szerkeszti a Közreműködő: Moshanin. Kérjük, ne változtasson rajta mindaddig, amíg ez a bejelentés el nem tűnik. Ellenkező esetben szerkesztési ütközések léphetnek fel. Ez a ... ... Wikipédia – A javaslat szerint ezt az oldalt Nemzetközi Atomenergia Ügynökségnek nevezik át. Az okok magyarázata és vita a Wikipédia oldalán: Átnevezés felé / 2012. július 24. Talán a jelenlegi elnevezése nem felel meg a modern ... Wikipédia normáinak

GYERMEKIRODALOM BIBLIOGRÁFIA- az irodalomjegyzék része, a rogo feladatai közé tartozik a könyvelés és a gyermek- és ifjúsági nyomtatványok tájékoztatása. Az ilyen információk két fő irányba irányulnak. címek: felnőttek (tanárok, szülők, pedagógusok, a ... ... Orosz Pedagógiai Enciklopédia

Egy ország gazdasága- (Nemzetgazdaság) Az ország gazdasága az ország vagyonát és polgárai jólétét biztosító társadalmi kapcsolatok A nemzetgazdaság szerepe az állam életében, lényege, funkciói, iparágai, mutatói. az ország gazdaságáról, az országok szerkezetéről ... ... Befektetői enciklopédia

Likviditás- (Likviditás) A likviditás az eszközök mobilitása, biztosítva a kötelezettségek zavartalan fizetésének lehetőségét Vállalkozás, bank, piac, eszközök és befektetések, mint fontos gazdasági ... ... Befektetői enciklopédia

Kezdjük azzal, hogy meghatározzuk, melyek az ajánlórendszerek. Ezek olyan programok és szolgáltatások, amelyek megpróbálják meghatározni, hogy a felhasználók mit szeretnének látni, és ezt megadják nekik (vagy javasolják, honnan származik a név). Valószínűleg mindegyikünk találkozott már hasonló technikákkal különböző oldalakon. Ma leírjuk az ilyen programok típusait, működési elvét, és példákat adunk ezekre az algoritmusokra működés közben. Olvasd el a végéig, érdekes lesz!

Fentebb leírtuk, hogy melyek azok az ajánlórendszerek, most részletesebben eláruljuk, milyen értékkel bírnak. Ezek a programok javították az oldal és a látogató interakcióját, mert ahelyett, hogy statikus információkat szolgáltatnának, a felhasználó interaktív élményben részesül.

Az ajánlások minden egyes személy számára külön-külön kerülnek kialakításra, egy adott webes erőforráson végzett korábbi tevékenységei vagy korábbi tevékenységei alapján. Emellett fontos a folyamat korábbi résztvevőinek viselkedése is.

Az online boltok számára ez elvileg fontos funkció, és az olyan nagy katalógusok esetében, mint az Amazon, a hatékony munkavégzés kevés módjai közé tartozik. Az ajánlási módszer ebben az esetben nem egy szokásos kiegészítő lehetőség, hanem kényelmes navigációt biztosít a webes erőforráson keresztül. Ha az elektronikus katalógus több mint 20 000 terméknévvel rendelkezik, a tájékozódás már túlságosan nehéznek tűnik, mi van akkor, ha több millió termék van?

Mennyire fáradt el egy potenciális vásárló egy ilyen oldallal való interakcióba? A válasz nyilvánvaló. A widget pedig a keresett termékhez vizuálisan hasonló, vagy ugyanabba a termékcsoportba tartozó, vagy ingyenes termékek kereséséhez jön segítségül (amikor egy pár cipőhöz kézitáskát kínálnak, például). Egy ilyen döntés nemcsak a nézettséget növeli, hanem a konverziót is pozitívan befolyásolja.

Amint azt a gyakorlat mutatja, nem csak az online áruházak használják ezt a technikát. A közösségi média sem marad le. Az alábbiakban egy példa a VKontakte-ból.

Ezenkívül az ilyen technikák könnyen láthatóak különféle közösségi platformokon, irodalommal, utazással foglalkozó portálokon, hírforrásokon, online áruházakban, egyszóval - szinte mindenhol. Ez a technika valóban nagyon népszerű. A Kinopoisk webes erőforrás egy másik elérhető példa.

Módszertan

Tehát az első típus az explicit adatgyűjtés. Ahogy a névből sejthető, a felhasználó maga biztosítja a munkához szükséges anyagokat. Például amikor a Yandex vagy más keresőmotorok ajánlórendszerei arra kérik az embert, hogy értékelje a különböző elemeket, készítsen egy listát a kedvencekről egy adott területen, vagy válaszoljon több kérdésre. Ha egy személy megtagadja, hogy önállóan adjon tájékoztatást, a következő technika releváns lesz.

A második típus az implicit adatgyűjtés. Viszonylagosan ez egy kémküldetés, amely szerint a folyamatban résztvevő tevékenységeit a program rögzíti további feldolgozás és alkalmazás céljából. Mi kell ehhez? A program felismeri a vásárlásokat, értékeléseket az oldalakon, információkat gyűjt a nézettségről, megjegyzésekről. Természetesen egy ilyen módszertan megválasztása bizonyos etikai problémákhoz vezet, mivel a személyes adatok védelme a felhasználó által a keresőmotorok felé támasztott egyik fő követelmény. De bár tény marad, egyfajta megfigyelés lehetséges, és az oldal hétköznapi látogatói nem tudják ellenőrizni, hogy valóban tartanak-e ilyen eseményeket.

Az első alaptechnikát kollaboratív szűrésnek nevezik. Ezzel a technikával az ajánlásokat egy személy vagy embercsoport viselkedési jellemzői alapján adják ki, ez utóbbi még hatékonyabb. A csoportok olyan embereket gyűjtenek össze, akik viselkedésükben és tulajdonságaikban hasonlóak.

Mondjunk egy példát, hogy könnyebben érzékelhető legyen az információ. Készül egy weboldal, ahol zenei alkotásokat ajánlanak majd a közönségnek. Hogyan működnek az ajánlási szolgáltatások ebben az esetben az együttműködési módszertan alapján? Ennek az elvnek megfelelően: egy közösséget vesznek alapul, ahol a résztvevők azonos műfajú számokat adnak hozzá a lejátszási listához. Ezután meghatározzák a legnépszerűbb zeneműveket, és a csoport egy olyan felhasználójának ajánlják, aki még nem hallgatta ezt a dallamot.

A második megközelítést tartalom alapú szűrésnek nevezik. Itt az ajánlás a személy viselkedése alapján alakul ki. Ennek a megközelítésnek a használata egy adott tag böngészési előzményein is alapulhat.

Ezúttal a tematikus online magazinokkal hozunk példát. Tehát abban az esetben, ha egy személy korábban olvasott anyagokat a hegyikerékpárokról, és rendszeresen kommentált ilyen tartalmú blogcikkeket, akkor a tartalomszűrési módszer ezeket a múltbeli információkat használja fel a hasonló források azonosítására, és a felhasználó ajánlásaként ajánlja fel azokat.

Megkülönböztetik a vegyes megközelítéseket is, amelyeknek megfelelően ajánlási rendszer kidolgozása történik.

A vegyes megközelítés az együttműködési és a tartalomszűrés kombinációja. Tudniillik a több jobb, így ennek a két technikának a keverése növeli az ajánlórendszerek hatékonyságát, vagyis jelentősen megnöveli az előrejelzések pontosságát konkrét személyek esetében.

Algoritmusok

Pearson korreláció

Ez az algoritmus lehetővé teszi több felhasználó közös jellemzőinek kiemelését. Hogyan? Egyszerű matematika segítségével, nevezetesen két elem közötti lineáris kapcsolat meghatározásával. Egy fontos pont - ez a technika nem alkalmas egy közösség számára.

Klaszterezés

Az ajánlórendszerek ezen működési elve azon alapul, hogy az elemek (felhasználók) közötti hasonlóságot kiemelik egymáshoz való közelségük kiszámításával az úgynevezett jellemzőtérben. A jelek azok az elemek, amelyek szerint a folyamat egyes résztvevőinek érdekei konvergálnak (zenei források esetében ezek zeneszámok, filmportáloknál - filmek). A hasonló tulajdonságokkal rendelkező felhasználók úgynevezett klaszterekbe tömörülnek.

Együttműködő szűrési algoritmus

A kemény klaszterezés helyettesíthető egy másik algoritmussal, amely meglehetősen bonyolult képlet szerint működik, és az összes korábbihoz hasonlóan a csoportjába tartozó felhasználók viselkedésén alapul. Ennek a technikának azonban számos meglehetősen jelentős hátránya van. Először is, az új vagy atipikus felhasználók (akik nincsenek csoportosítva) nehezen találnak ajánlásokat. Másodszor, az úgynevezett "hidegindítás", amikor az új objektumok nem kerülnek be az ajánlórendszerekbe.

Tartalomszűrő algoritmus

Az algoritmus szimmetrikus az előzőhöz, de ha az első esetben abból indultunk ki, hogy a felhasználónak tetszeni fog az objektum, mert „osztálytársainak” tetszik, akkor itt az általa már megjegyzett hasonló objektumok alapján ajánljuk. magának. És itt hagyományosan több probléma is megkülönböztethető. Ugyanaz a "hidegindítás" és az a tény, hogy az ajánlások gyakran hétköznapiak.

Konklúzió helyett

Tehát megadtunk minden információt, amit egy kezdőnek vagy laikusnak tudnia kell az ajánlórendszerekről. Legyünk őszinték, az algoritmusok kissé nehezek egy felkészületlen ember számára, ezért ez a cikk nem tartalmaz matematikai képleteket, bár az algoritmusok ezeken alapulnak.

Az ajánlási programok mind a hétköznapi internethasználók, mind a kutatók és online üzletemberek számára hasznos szolgáltatások. Aki növelni szeretné a konverziót és a megtekintések számát, annak érdemes odafigyelnie erre a technikára, és mindenképpen alkalmaznia kell a webes erőforrás, különösen az online áruház hatékonyságának növelése érdekében.