После завершения интригующего романа, захватывающего сериала или захватывающего фильма чаще всего возникает вопрос: что же дальше? какой фильм или сериал посмотреть следующим или какой роман прочитать следующим? На такие вопросы легко ответить, если известна сфера интересов.

По аналогичным правилам работает рекомендательная система. Рекомендательная система, также известная как рекомендательная система, представляет собой тип системы фильтрации информации, которая предоставляет предложения по элементам, наиболее подходящим для конкретного пользователя. Он принимает во внимание типы сериалов, просмотренных/прочитанных пользователем книг, чтобы дать несколько ответов на дилемму «что дальше». Таким образом, проще говоря, система рекомендаций помогает пользователям находить привлекательный контент в большом корпусе.

Системы рекомендаций подразделяются на 3 категории:

  1. Системы совместной фильтрации
  2. Системы фильтрации на основе контента
  3. Гибридные системы

Совместная фильтрация

Совместная фильтрацияиспользует сходства между пользователями и элементами одновременно для предоставления рекомендаций. Это позволяет давать счастливые рекомендации; то есть модели совместной фильтрации могут рекомендовать элемент пользователю на основе интересов аналогичного пользователя.

Пример: если пользователь проявил интерес к фильму A, B и C, то система порекомендует другой фильм, скажем, X, на основе оценок, предоставленных другим пользователем, которому также понравились вышеупомянутые 3 фильма (т. е. похожий пользователь ).

Реальное применение этого сценария можно увидеть при просмотре сайта Amazon. Когда мы делаем покупки на Amazon, он рекомендует новые продукты с надписью "Клиент, который принес это, также принес"

Совместная фильтрация далее делится на 2 подкласса:

а. Совместная фильтрация на основе пользователей

Он находит похожих пользователей и рекомендует продукты на основе того, что понравилось другим людям с похожими моделями потребления. Основное внимание уделяется методу Ближайший сосед для рекомендаций, который анализирует модели оценок пользователей и находит ближайших соседей, т. е. пользователей с похожими рейтингами. к твоему. Затем алгоритм продолжает давать вам рекомендации на основе оценок этих соседей.

б. Совместная фильтрация на основе элементов

Совместная фильтрация на основе элементов находит шаблоны сходства между элементами и рекомендует их пользователям на основе вычисленной информации. Фильтрация на основе элементов проверяет сходство между различными элементами и делает это, отмечая, сколько пользователей, купивших элемент X, также купили элемент Y. Если эта корреляция достаточно высока, можно предположить, что между двумя элементами существует сходство, и их можно считать похожими друг на друга. С этого момента товар Y будет рекомендован пользователям, купившим товар X, и наоборот.

Фильтрация на основе содержания

Этот тип рекомендательной системы отображает релевантные элементы на основе содержания элементов, которые ранее искали пользователи. Атрибут продукта, который нравится пользователю, в этом контексте называется контентом. Продукты помечены определенными ключевыми словами в этом типе системы.

Пример: Если человеку понравился фильм, скажем, А, относящийся к жанру триллер, поджанр — криминал, то система порекомендует пользователю фильмы с пометкой «криминал» и «триллер».

Реальный пример этого можно увидеть на платформе Netflix. После просмотра шоу/фильма пользователю предоставляется раздел Больше похожих на это, в котором представлены сериалы/фильмы похожего жанра.

Гибридные системы

Гибридная рекомендательная система — это тип рекомендательной системы, представляющий собой комбинацию методов контентной и совместной фильтрации. Сочетание совместной фильтрации и фильтрации на основе контента может помочь преодолеть ограничения, с которыми мы сталкиваемся при их раздельном использовании, а также может быть более эффективным в некоторых случаях. Подходы гибридных рекомендательных систем могут быть реализованы различными способами, например, с использованием методов, основанных на содержании и сотрудничестве, для создания прогнозов по отдельности, а затем объединения прогнозов, или просто добавления возможностей методов, основанных на сотрудничестве, к подходу, основанному на содержании (и наоборот). ).

Существует два типа гибридных рекомендательных систем: параллельные и последовательные. Параллельный дизайн подает несколько рекомендательных систем, и каждая из этих рекомендаций объединяется для получения одного результата. Последовательный дизайн отправляет входные параметры в один механизм рекомендаций, выходные данные которого затем передаются следующему рекомендателю в цепочке.

Гибридные системы объединяют разные модели для устранения недостатков одной модели с помощью другой. В целом это уменьшает недостатки использования отдельных моделей и помогает генерировать более надежные рекомендации. Это дает более надежные и персонализированные рекомендации для пользователей.

Реальным примером этой техники является Netflix. Он использует гибридную систему рекомендаций, в которой они генерируют рекомендации пользователям на основе похожих привычек просмотра и поиска пользователей (совместная фильтрация) в сочетании с фильмами, которые имеют схожие характеристики и были оценены пользователями (на основе контента).

Код для рекомендательных систем можно найти здесь.

Спасибо за чтение! Если у вас есть какие-либо вопросы, не стесняйтесь обращаться ко мне в Gmailили в моем профиле LinkedIn Profileили GitHub. эм>