Рекомендации улучшают ваш опыт в любой категории на платформе. Amazon Prime Video и Netflix используют эти системы рекомендаций, чтобы помочь вам посмотреть следующий сериал или фильм. Medium использует их, чтобы показать вам следующую статью или элемент, связанный с темой, для чтения. Это широко используемый метод повышения качества обслуживания клиентов путем демонстрации релевантных или наиболее вероятных продуктов, которые им могут понравиться. Они аналогичны упражнениям на сопоставление следующих элементов: при заданном наборе пользователей, с какими предметами или продуктами они могут сопоставляться. Например, у людей, использующих Amazon, есть пользователи, которые хотят покупать товары (книги, электронику и т. д.). На Facebook их можно использовать для рекомендации друзей или публикаций.
Системы рекомендаций работают с вашими прошлыми данными или действиями других людей, которые имеют такой же профиль или интересы, как у вас. В прежние дни, когда не было Интернета, владелец магазина также использовал ту же идею, чтобы предлагать вам товары. Например, если вы скажете продавцу, что вам не нравятся рубашки розового цвета, он больше не будет показывать вам рубашки розового цвета.
Способы построения рекомендательной системы
На основе популярности. В сервисах потокового видео есть раздел, отображающий популярный контент. Они получают эту информацию, отслеживая количество кликов, рейтинги или время просмотра в случае видео. Это очень простой алгоритм, это не значит, что он плохой. Это работает довольно хорошо. Просто расположите все эти продукты или видео в порядке убывания характеристик, упомянутых выше.
На основе содержания: предположим, что пользователь прочитал книгу или увидел продукт, могут быть рекомендованы элементы, похожие на те, что видел пользователь. Например, в случае с книгами (или электронными книгами) подобный контент может быть рекомендован путем сравнения автора, публикации или жанра.
Совместная фильтрация:A нравится X, B нравится Y. Следовательно, можно сделать вывод, что X и Y похожи. Таким образом, если Z просматривается или нравится X, он может понравиться и Y. Таким образом, Z можно рекомендовать Y и наоборот.
