If one were to enlist the benefits of Recommendation System in any business, the list would be endless. To give your users a very unique experience, it is imperative that you personalize your app for each and every user based on their behavior and interests. To help increase user engagement in your app, App42 Cloud APIs has a Recommendation Service that does not require you to code and learn the complicated algorithms. It provides recommendation based on customer ID, item ID and the preference of the customer for a particular item.
Si hubiera que contar los beneficios del Sistema de Recomendación en cualquier negocio, la lista sería infinita. Para darles a sus usuarios una experiencia única, es imperativo que personalice su aplicación para cada uno de los usuarios, basado en su comportamiento e intereses. Para ayudar a aumentar la participación de los usuarios en su aplicación, App42 Cloud APIs tiene un servicio de recomendación que no requiere de codificación y aprendizaje de los complicados algoritmos. Este le provee recomendaciones basado en el ID del cliente, ID del elemento y la preferencia de los clientes por un elemento en particular.

To use App42 Recommendation Service, login to AppHQ Management Console and select Utility -> Recommender from left panel as shown:

App42 Recommender Service gives you the option to provide user’s preference data in 2 ways:

• Connector
• File

Using File option, you just need to upload the file with the user’s preference data in CSV format. You can download the sample CSV file and update your user’s preference data and upload it.

Using Connector, you have the option to provide the preference data either from MongoDB or MySQL. You need to select the connector type and provide the required connection details like Host, User Name, Password, DB Name, and Table Name.

Once you have provided user’s preference data to App42, you can see it in App42 Management Console.

You can see the preferred items by a particular user and also by clicking on that, you can even see the item and its preference details.

Recommendations can be fetched based on user similarity and item similarity. This engine currently supports two types of algorithms i.e. EuclideanDistanceSimilarity & PearsonCorrelationSimilarity. By default when similarity is not specified, PearsonCorrelationSimilarity is used. For instance in the method ItemBased (Double userId, int howMany), it uses PearsonCorrelationSimilarity. In the method ItemBasedBySimilarity (String similarity, Double userId, int howMany) you can specify your choice of algorithm like Recommender.EUCLIDEAN_DISTANCE or Recommender.PEARSON_CORRELATION.

For any queries/issues, please feel free to write us at support@shephertz.com. We will be happy to assist you.

Para usar App42 Recommendation Service, ingrese a AppHQ Management Console y seleccione Utility, Recommender del panel de la izquierda como se muestra a continuación:

App42 Recommerder Service le da la opción de suministrar datos de preferencia de usuario en dos maneras:

• Connector
• File

Opción Using File, solo tiene que cargar el archivo con los datos de preferencia del usuario en formato CSV. Puede descargar el archivo de muestra CSV y actualizar sus datos de preferencia de usuario y cargarlos.
Using Connector, tiene la opción de proveer los datos de preferencia ya sea desde MongoDB o MySQL. Tiene que seleccionar el tipo de conector y suministrar los detalles de conexión requeridos como Host, User Name, Password, DB Name Y Table Name.

Una vez haya suministrado los datos de preferencia de usuario a App42, puede verlos en App42 Management Console.

Puede ver los elementos preferidos por un usuario en particular y también dando click ahí, incluso puede ver el elemento y sus detalles de preferencia.

Recomendaciones puede ser encontradas basado en la semejanza de usuario y semejanza de elementos. Este motor actualmente soporta dos tipos de algoritmos similares, por ejemplo, EuclideanDistanceSimilarity y PearsonCorrelationSimilarity. Por defecto cuando la semejanza no es especificada, PearsonCorrelationSimilarity es usada. Por ejemplo, el método ItemBased (Double userId, int howMany), este usa PearsonCorrelationSimilarity. En el método ItemBasedBySimilarity(String similarity, Double userId, int howMany) uno puede especificar cual algoritmo de similaridad tiene que ser usado como Recommender.EUCLIDEAN_DISTANCE o Recommender.PEARSON_CORRELATION.

En casa de alguna duda/problema, por favor escribanos a support@shephertz.com. Estaremos encantados de asistirlo.