Systemy rekomendacyjne i rekomendacyjne systemy

프로그레시브 подходы

Filtering collaborative

Podstawionowy: Rekomendacje oparte na podobnych użytkownikach.

Pozycjonowany: Rekomendacje oparte na podobnych przedmiotach.

Factorizacja macierzy: SVD, NMF dla ukrytych czynników.

Bazowy na treści

Koncept: Rekomendacje oparte na cechach przedmiotów.

Proces: Profil użytkownika, cechy przedmiotu, dopasowanie.

Wady: Działa dobrze dla nowych przedmiotów.

🔧 Ciągłe uczenie maszynowe

Sieci neuronowe do filtracji collaborative filtering

Koncept: Sieci neuronowe dla filtracji collaborative filtering.

Wady: Nieciągłych interakcji, skomplikowanych wzorców.

Zastosowania: Modern recommendation systems.

Wide & Deep

Koncept: Zmieszanina szerokiej (memoryzacji) i głębokiej (generalizacji).

Wady: Balans między memoryzacją a generalizacją.

Zastosowania: Google Play, produkcyjne systemy.

DeepFM

Koncept: Maszyny czynnikowe z leaned learning.

Wady: Automatyczne interakcje cech.

Zastosowania: Predykcja CTR, rekomendacje.

📚 Praktyczne przykłady

Przykład 1: Rozkład macierzy w celu poleceń

Macierz: Stwórz macierz użytkownik-oznaczony obiekt.

Rozkład: Zdekomponuj ją do czynników ukrytych (SVD).

prognoza: Prognozuj oceny poprzez czynniki.

poleceń: Polecamy najważniejsze oznaczone obiekty.

Przykład 2: Sieciowa filtryzacja współpracy

Wbudowania: Stwórz wbudowania dla użytkowników i oznaczonych obiektów.

Sieć neuronowa: Trening sieci neuronowej do prognozowania.

poleceń: Polecamy na podstawie prognozy.

Spróbuj na żywo

Wszystko powyżej działa w Twojej przeglądarce — otwórz System rekomendacyjny graf bipartitowy i zmieniaj parametry podczas jego działania. Nie ma nic do zainstalowania, nie jest wysyłany żaden plik, cała modeliza live w jednym zakładku.