从传统规则引擎到机器学习

在技术领域，个性化是使用户参与和满意的关键。个性化最明显的实现之一是通过推荐系统，该系统根据其互动和偏好为用户提供量身定制的内容，产品或体验。从历史上看，推荐系统的第一个实施是建立在基于旧规则的引擎(例如IBM ODM(运营决策经理)和Red Hat Jboss BRMS(业务规则管理系统)的基础上。

但是，机器学习的最新进展从根本上改变了建议的产生方式。本文探讨了基于遗产规则的系统如何运行，其局限性以及机器学习如何破坏了这一空间。

建议的旧规则引擎

基于规则的引擎概述

IBM ODM和Red Hat Jboss BRM等旧规则引擎是开发推荐系统的首批技术。这些系统依靠IF-then规则的集合来根据用户操作提供建议。这些规则是由领域专家预定的，他们允许公司建立简单且可解释的方法来生成建议。

例如，在电子商务环境中，可能已应用以下规则：

· 如果客户购买笔记本电脑，请推荐笔记本电脑袋和防病毒软件。

这些系统是作为决策服务实施的，可以独立于主要业务应用程序运行，从而使公司可以从应用程序代码中解除建议逻辑。 IBM ODM和JBOSS BRMS是以可扩展方式创建，管理和执行这些决策规则的强大工具。

基于规则的引擎的好处

· 简单性和解释性：基于规则的引擎提供的建议简单易懂，使业务利益相关者可以简单地配置或修改规则。

· 领域知识利用：规则通常是由对业务深入了解的专家制定的，以确保与业务目标保持一致的建议。

· 可预测性：规则引擎的输出是确定性的;给定一组特定的输入，系统始终产生相同的输出。

基于规则的引擎的局限性

尽管基于遗产规则的发动机暂时达到了目的，但它们具有固有的局限性：

· 缺乏可扩展性：随着更复杂的个性化的增加，系统中规则的数量呈指数增长，这使得维持规则非常复杂且笨拙。

· 有限的适应性：基于规则的系统需要手动干预来添加或修改规则，这是耗时的。这也意味着系统无法自动适应不断变化的用户行为或趋势。

· 个性化差：这些建议仅限于适用于广泛用户群体的一般规则。他们缺乏提供个性化建议所需的细微差别，因为他们无法捕获用户和项目之间的复杂关系。

建议在建议中的兴起

机器学习如何破坏旧系统

随着数据可用性的增长，机器学习(ML)作为一种解决方案，可以克服基于规则的建议系统的局限性。机器学习算法可以分析大量数据，学习用户行为并生成个性化建议，而无需手动定义的规则。这种转变标志着推荐系统的运行方式的转折点。

机器学习方法

协作过滤

基于ML的推荐系统(例如协作过滤)利用历史用户交互数据来识别模式。在协作过滤中，分析了用户项目的关系，以确定单个用户可能感兴趣的产品或内容。

示例：根据其他用户的观看习惯推荐观看某些电影的用户。

基于内容的过滤

与基于规则的系统不同，基于内容的过滤依赖于ML模型来分析用户与之交互并提供类似建议的项目的功能。

示例：推荐类似类型的电影或与用户以前看过的电影相同的电影。

混合模型

现代推荐系统通常将协作过滤与基于内容的过滤相结合，以提供更准确和个性化的建议。

传统规则引擎的优势

· 可扩展性：机器学习模型本质上是可扩展的，因为它们可以处理大量数据并从中学习。与基于规则的系统需要针对新方案的新规则不同，ML模型可以从历史数据中学习，以创建新的见解，而无需手动更新。

· 适应性：基于ML的推荐系统是适应性的;他们不断从新数据中学习。随着用户偏好的发展，建议也会发展，而无需进行手动规则修改。

· 增强的个性化：机器学习可以更深入地个性化。通过分析细粒级别的数据，ML模型可以检测细微的模式并提供高度个性化的建议。

现实世界的影响

在Netflix和Amazon等公司中，可以看到最显着的转向机器学习。 Netflix最初使用基于规则的系统对电影进行分类和建议，但是随着机器学习的出现，他们能够通过应用从用户行为学习的算法来显着提高建议准确性。转向基于ML的建议不仅提高了用户满意度，还可以提高参与度和更长的观看时间。

同样，亚马逊在提供个性化购物体验方面的成功通过机器学习加速，使其能够分析购买历史，浏览行为，甚至可以预测用户可能感兴趣的产品。

为什么传统规则引擎尚未完全消失

值得注意的是，尽管机器学习对于复杂的，数据驱动的建议非常有效，但基于规则的引擎仍在需要可解释性，合规性或直接逻辑的情况下使用。当必须遵循明确的预定义规则时，例如在金融和医疗保健中，决策需要进行审核和透明，但规则引擎仍会有所帮助。

例如，在金融服务中，通常使用基于规则的方法来推荐特定类型的贷款产品，而严格合规性至关重要，并且建议逻辑对于审计师和监管机构都可以易于理解。

结论

IBM ODM和Red Hat Jboss Brms等旧规则引擎为早期推荐系统铺平了道路，提供简单性，可解释性和域专业知识。但是，他们努力扩展并适应个性化用户偏好的复杂性，这导致了推荐系统中机器学习的兴起。如今，基于ML的推荐系统是许多数字平台的基石，通过利用大数据和高级算法的力量来推动更深入的个性化和更好的用户参与度。

尽管传统系统仍然具有利基市场，尤其是在高度监管的行业中，但在推荐空间中，机器学习的主导地位证明了其解决可扩展性，适应性和个性化挑战的能力，这些挑战挑战了基于遗产规则的系统无法克服的能力。