Come funziona il sistema di raccomandazioni?

Sei mai stato curioso, perché YouTube può capire quali video ci piacciono? o ti sei mai chiesto perché Amazon può consigliarci il libro giusto. Dopo tutta la magia dietro di loro è solo una sequenza di logica e affermazione . beh, il sistema di raccomandazione è un investimento da un milione di dollari. perché il sistema di raccomandazione ha un forte impatto sul comportamento dei consumatori in modo che più preciso sarà il sistema di raccomandazione dei consumatori, più comodo sarà. beh, in base alle funzionalità, ci sono due tipi, vale a dire il filtro basato sui contenuti o collaborativo

Basato sui contenuti

Per nome, nel sistema di suggerimenti basato sui contenuti s , il sistema utilizza l’attributo content per definire un consiglio per te. come genere, titolo, autore, cast e altri. per i sistemi che sono ancora piccoli (non hanno molti utenti) questo metodo è la scelta giusta. La cosa più semplice è calcolare la somiglianza tra i dati dell’ultimo film visualizzato e tutti i dati dei film nel database. Per calcolare la somiglianza ci sono vari modi da distanza ecludiana a somiglianza coseno

Filtro collaborativo

Nell’attributo di filtraggio collaborativo utilizzato non è il contenuto ma il comportamento dell’utente. Ad esempio, consigliamo un elemento in base alla cronologia delle valutazioni di quell’utente e di altri utenti.

Per fornire consigli, puoi utilizzare gli elementi o gli utenti. ciò che si intende per elemento basato è cercare in base alla somiglianza basata su un elemento. per i passaggi come di seguito

In item based partiamo da item as new e user as column, quindi calcoliamo la similarità dopo aver ottenuto il valore similarit, stiamo ordinando in modo discendente, beh qui possiamo improvvisare filtrando i film che sono stati guardati. quindi possiamo scegliere Top N o possiamo usare una soglia. ad esempio rimuovendo gli elementi la cui valutazione è inferiore a 3. Dopo aver ottenuto un elemento candidato, il passaggio successivo è il punteggio. dopo il punteggio sommiamo tutti i punteggi per ogni elemento. e l’ordinamento viene eseguito per visualizzare somiglianze.

mentre in user-based è più o meno lo stesso ma useremo la matrice utente come righe e i film come colonne.

Valutazione del sistema di raccomandazione

Allora come faccio a fare una valutazione? Un modo per valutare i migliori sistemi di raccomandazione N è utilizzare la percentuale di risultati. Come misurare il tasso di successo?

2. separa un elemento dall’elenco

3. utilizzare l’elenco come dati di test sul sistema di raccomandazione d

4. Se un elemento che è stato separato in precedenza appare nei primi N risultati, è un successo. In caso contrario, non è un successo

oltre a questo possiamo anche testarlo usando A / B Testing

Il sistema di raccomandazione ha molti vantaggi intorno a noi. per costruire un buon sistema di raccomandazione ci sono molte cose che devono essere considerate. e ci sono molti modi per improvvisare. Ci sono ancora molti modi diversi come usare l’apprendimento profondo o usare la fattorizzazione matrice. Per aziende come amazon e youtube possono avere ottimi risultati perché hanno molti dati. dopotutto, la ricerca sui sistemi di raccomandazione non si è fermata fino ad ora.