Системы рекомендаций. Я испытывал сильное давление, чтобы закончить этот блог из-за нехватки времени, но приступим. Я собираюсь рассказать об основах рекомендательных движков, и я поделюсь исходным кодом в следующие пару дней, как только закончу работу над проектом.

Я бы порекомендовал посмотреть это короткое видео перед тем, как мы начнем.

Честно говоря, некоторые из лучших систем рекомендаций, с которыми мы сталкиваемся и которые легко объяснимы, - это SPOTIFY и NETFLIX.

Система рекомендаций в основном основана на рекомендациях (я не говорю об этом определении в Google: p) на наших прошлых посещениях или прошлых просмотрах или просмотрах фильмов.

Как используются большие данные?
Большие данные позволили нам делать рекомендации в новом масштабе, которого мы не видели раньше. Самый известный пример - это алгоритм поиска Google. Система рекомендаций превосходит бенчмаркинг, потому что в конце концов ей не нужен аналитик. Он сокращает большие данные до небольших данных.

Рекомендатель - это компонент, обращенный к приложению, который отвечает за предоставление рекомендаций. Mahout поддерживает как рекомендатели, основанные на пользователях, так и рекомендатели на основе элементов через интерфейсы Рекомендованные на основе пользователей и Рекомендатели на основе элементов соответственно.

Типы рекомендательных систем

  • На основе содержания: популярный, рекомендуемый продукт имеет те же характеристики, что и то, что пользователь просматривает или любит.
  • Кластер: рекомендуемые продукты хорошо сочетаются друг с другом, независимо от того, что делали другие пользователи.
  • Совместная работа. Другим пользователям, которым нравятся те же продукты, что и другие пользователи, которым они нравятся, также понравится рекомендуемый продукт.

Почему рекомендательные механизмы важны?
Использование эффективных и точных методов рекомендаций очень важно для системы, которая будет предоставлять хорошие и полезные рекомендации своим отдельным пользователям. Рекомендуемая система обычно использует источники данных, чтобы узнать больше о таких предпочтениях, эффективно используя явную обратную связь, полученную в результате различных показателей оценки, таких как, например, «Добавить в избранное», или неявную обратную связь, основанную на количестве и продолжительности взаимодействий на основе контента. В рамках подхода с неявной обратной связью основной алгоритм, несмотря на то, что он более сложен, чем алгоритм, который генерирует полностью случайные рекомендации, состоит из отражения наиболее популярного контента, суммирования всех действий пользователей и рекомендации наиболее распространенного контента в зависимости от количества и продолжительности посещений.

Я считаю, что данное видео действительно полезно для общего понимания механизма рекомендаций.

Я расскажу больше об исходном коде в следующих блогах, но сегодня мне нужно немного подвести итоги. Спасибо за чтение. Продолжай учиться.

Ваше здоровье.