內(nèi)容目錄推薦系統(tǒng)應(yīng)用場(chǎng)景概述

為什么需要推薦？

推薦系統(tǒng)的目標(biāo)？

推薦系統(tǒng)的工作？

推薦系統(tǒng)的基本模型

構(gòu)建推薦系統(tǒng)的方法

相關(guān)參考？

1、推薦系統(tǒng)概述以及它們?nèi)绾翁峁┯行问降亩ㄏ驙I(yíng)銷

推薦系統(tǒng)

推薦引擎嘗試向人們推薦產(chǎn)品或服務(wù)。推薦人在某種程度上嘗試通過(guò)向人們提供最有可能購(gòu)買或使用的建議來(lái)縮小選擇范圍。推薦系統(tǒng)從亞馬遜到Netflix幾乎無(wú)處不在。從Facebook到Linkedin。實(shí)際上，亞馬遜的很大一部分收入僅來(lái)自推薦。像Youtube和Netflix這樣的公司都依靠其推薦引擎來(lái)幫助用戶發(fā)現(xiàn)新內(nèi)容。我們?nèi)粘Ｉ钪械囊恍┙ㄗh示例包括：亞馬孫

亞馬遜使用其數(shù)百萬(wàn)客戶的數(shù)據(jù)來(lái)確定通常一起購(gòu)買的商品，并據(jù)此提出建議。http://Amazon.com中的建議是根據(jù)明確提供的評(píng)級(jí)，購(gòu)買行為和瀏覽歷史記錄提供的。我打算購(gòu)買“ Show Dog”，但最終也購(gòu)買了“ The Compound effect”！領(lǐng)英

Linkedin利用您過(guò)去的經(jīng)驗(yàn)，當(dāng)前的職稱和認(rèn)可中的數(shù)據(jù)為您推薦可能的工作。

奈飛

當(dāng)我們?yōu)殡娪霸u(píng)分或在Netflix上設(shè)置偏好時(shí)，它會(huì)使用此數(shù)據(jù)和來(lái)自其他數(shù)百個(gè)訂閱者的類似數(shù)據(jù)來(lái)推薦電影和節(jié)目。然后，Netflix使用這些評(píng)分和操作來(lái)提出建議。臉書

諸如Facebook之類的推薦系統(tǒng)不直接推薦產(chǎn)品，而是推薦連接。

除此之外，Spotify，Youtube，IMDB，Trip Advisor，Google新聞和許多其他平臺(tái)會(huì)不斷提出建議和建議，以滿足我們的需求。

為什么推薦

如今，在線商店蓬勃發(fā)展，我們只需單擊鼠標(biāo)即可獲得幾乎所有商品。然而，在實(shí)體時(shí)代，用于存儲(chǔ)商品的空間有限，因此所有者僅展示最受歡迎的商品。這意味著，即使像書籍或CD這樣的高質(zhì)量產(chǎn)品，許多產(chǎn)品甚至都沒有被展示。簡(jiǎn)而言之，店主必須對(duì)內(nèi)容物進(jìn)行預(yù)過(guò)濾。

但是，在線購(gòu)物行業(yè)改變了這種情況。由于空間有限，因此無(wú)需進(jìn)行預(yù)過(guò)濾。相反，這引起了被稱為長(zhǎng)尾效應(yīng)的現(xiàn)象。

這種效應(yīng)意味著受歡迎的產(chǎn)品很少，并且可以在在線和離線商店中找到。另一方面，不太受歡迎的產(chǎn)品很多，只能在網(wǎng)上商店中找到，最終構(gòu)成了長(zhǎng)尾巴。但是，即使是不受歡迎的產(chǎn)品也可能很好，并且在網(wǎng)站上找到此類產(chǎn)品是一項(xiàng)艱巨的任務(wù)，并且需要某種形式的過(guò)濾器。這樣的過(guò)濾器實(shí)際上構(gòu)成了推薦系統(tǒng)。

預(yù)測(cè)版本

此版本處理預(yù)測(cè)用戶項(xiàng)組合的評(píng)級(jí)值。在這種情況下，我們擁有由用戶給出的評(píng)分組成的訓(xùn)練數(shù)據(jù)。目的是利用此數(shù)據(jù)并預(yù)測(cè)用戶未與之交互的項(xiàng)目的等級(jí)。排名版本

老實(shí)說(shuō)，沒有必要預(yù)測(cè)用戶對(duì)特定商品的評(píng)價(jià)以提出建議。在線零售商或電子商務(wù)公司并不太在乎用戶的預(yù)測(cè)。相反，他們會(huì)更感興趣產(chǎn)生一份有限的清單，以呈現(xiàn)給給定的最佳事物。而且，客戶不想看到系統(tǒng)預(yù)測(cè)其物品等級(jí)的能力，而只是想看到自己可能喜歡的東西。推薦引擎的成功取決于其為人們找到最佳推薦的能力，因此，專注于發(fā)現(xiàn)人們會(huì)喜歡的東西而不是我們預(yù)測(cè)人們討厭的東西的能力是有意義的。

推薦系統(tǒng)的目標(biāo)

推薦系統(tǒng)的最終目標(biāo)是增加公司的銷售額。為此，推薦系統(tǒng)應(yīng)向用戶顯示或僅向用戶提供有意義的項(xiàng)目。Charu C Aggarwal在他的《關(guān)聯(lián)

推薦的項(xiàng)目只有在與用戶相關(guān)時(shí)才有意義。用戶更有可能購(gòu)買或消費(fèi)他們認(rèn)為有趣的物品。新穎性

與相關(guān)性一起，新穎性是另一個(gè)重要因素。如果項(xiàng)目是用戶以前從未看過(guò)或消費(fèi)過(guò)的東西，那么推薦的項(xiàng)目將更有意義。機(jī)緣巧合

有時(shí)推薦一些出乎意料的商品也可以促進(jìn)銷售。然而，偶然性與新穎性不同。用作者的話說(shuō)：

“如果附近有一家新的印度餐廳開業(yè)，那么該餐廳向通常吃印度食品的用戶的推薦是新穎的，但不一定偶然。另一方面，當(dāng)向同一用戶推薦埃塞俄比亞食品時(shí)，如果用戶不知道這種食品可能對(duì)她具有吸引力，則該推薦是偶然的。多元化

同樣，增加建議的多樣性也同樣重要。僅僅推薦彼此相似的項(xiàng)目并沒有多大用處。

推薦系統(tǒng)的工作

那么推薦系統(tǒng)如何工作？假設(shè)亞馬遜想向您展示“圖書”類別中的十大建議。在這里，亞馬遜的推薦系統(tǒng)將從有關(guān)您的某種數(shù)據(jù)開始，以弄清您的個(gè)人品味和興趣。然后，它將有關(guān)您的數(shù)據(jù)與其他所有人(如您)的集體行為進(jìn)行合并，以推薦您可能喜歡的東西。但是，有關(guān)您喜歡和不喜歡的數(shù)據(jù)從何而來(lái)？數(shù)據(jù)流進(jìn)入推薦系統(tǒng)

以兩種方式收集用戶的偏好數(shù)據(jù)：顯式數(shù)據(jù)

要求用戶以一到五顆星的等級(jí)對(duì)某項(xiàng)進(jìn)行評(píng)分，或者以類似或不贊成的態(tài)度對(duì)他們看到的內(nèi)容進(jìn)行評(píng)分，這是顯式數(shù)據(jù)收集的一個(gè)示例。在這些情況下，系統(tǒng)會(huì)明確詢問(wèn)用戶是否喜歡某個(gè)特定項(xiàng)目，然后使用此數(shù)據(jù)建立該用戶興趣的資料。

但是，存在一個(gè)缺點(diǎn)，因?yàn)椴⒎敲總€(gè)用戶都留下反饋或評(píng)分，即使他們留下評(píng)分，對(duì)于不同的人也可能意味著不同。例如，一個(gè)3??評(píng)分對(duì)一個(gè)人來(lái)說(shuō)可能很好，但對(duì)另一個(gè)人來(lái)說(shuō)則是平均。隱式數(shù)據(jù)

隱式數(shù)據(jù)是從用戶與站點(diǎn)的交互中得出的，并將其解釋為表示感興趣或不感興趣的指示。例如，從亞馬遜購(gòu)買產(chǎn)品或觀看完整的youtube片段被認(rèn)為是積極興趣的標(biāo)志。隱式交互可以為您提供更多可使用的數(shù)據(jù)，就購(gòu)買數(shù)據(jù)而言，甚至可能是更好的數(shù)據(jù)開始。

推薦系統(tǒng)的基本模型

當(dāng)今行業(yè)中有很多推薦人。但是，重要的決定是確定哪種類型適合我們的需求以及我們可以使用哪種數(shù)據(jù)。選擇主要取決于：我們要識(shí)別的目標(biāo)

我們的數(shù)據(jù)中指定了哪種類型的關(guān)系。

用于建議的一些常用方法包括：

讓我們對(duì)它們中的每一個(gè)做一個(gè)簡(jiǎn)要的概述：

基于內(nèi)容的過(guò)濾

基于內(nèi)容的篩選涉及根據(jù)項(xiàng)目本身的屬性來(lái)推薦項(xiàng)目。基于內(nèi)容的過(guò)濾器提出的建議使用個(gè)人的歷史信息來(lái)告知顯示的選擇。這樣的推薦者尋找人們過(guò)去購(gòu)買或喜歡的物品或產(chǎn)品之間的相似性，以在將來(lái)推薦選項(xiàng)。content based

例如，如果用戶喜歡“ 文學(xué)”類別中的一本書，則向用戶推薦同一類別中的書是有意義的。此外，推薦在同一年份和同一作者發(fā)行的書籍也是一個(gè)好主意。這就是基于內(nèi)容的過(guò)濾的工作方式。

基于內(nèi)容的方法的優(yōu)勢(shì)在于，由于我們只需要有關(guān)產(chǎn)品的信息，因此我們實(shí)際上不需要大量交易即可構(gòu)建模型。但是，缺點(diǎn)是該模型無(wú)法從事務(wù)中學(xué)習(xí)，因此隨著時(shí)間的推移，基于內(nèi)容的系統(tǒng)的性能不會(huì)有太大改善。

協(xié)同過(guò)濾

協(xié)同過(guò)濾使用許多用戶/客戶提供的綜合評(píng)級(jí)能力來(lái)提出建議。這意味著根據(jù)其他人的協(xié)作行為推薦東西Collaborative

協(xié)作過(guò)濾有兩種方法：基于內(nèi)存的方法，也稱為基于鄰域的協(xié)作過(guò)濾算法，其中，根據(jù)用戶的鄰域來(lái)預(yù)測(cè)用戶項(xiàng)組合的評(píng)級(jí)。可以使用以下兩種方法之一進(jìn)一步定義這些鄰域：基于用戶的協(xié)作過(guò)濾：

找到喜歡您的其他人并推薦他們喜歡的物品。基于項(xiàng)目的協(xié)作過(guò)濾：

推薦人們購(gòu)買的商品，同時(shí)也購(gòu)買您喜歡的商品。

2.基于模型的方法通過(guò)將問(wèn)題視為正常的機(jī)器學(xué)習(xí)問(wèn)題，使用機(jī)器學(xué)習(xí)方法來(lái)提取評(píng)級(jí)數(shù)據(jù)的預(yù)測(cè)。

可以使用PCA，SVD，矩陣分解，聚類，神經(jīng)網(wǎng)絡(luò)等技術(shù)。

混合和基于集合Hybrid Collaborative

基于內(nèi)容的方法和協(xié)作方法都有其優(yōu)點(diǎn)和缺點(diǎn)，并且可以通過(guò)將許多算法結(jié)合在一起(稱為混合方法)來(lái)獲得更好的系統(tǒng)。混合系統(tǒng)利用項(xiàng)目數(shù)據(jù)和交易數(shù)據(jù)來(lái)提供建議。

使用混合方法的一個(gè)很好的例子是Netflix。在Netflix，建議不僅基于人們的觀看和搜索習(xí)慣(協(xié)作系統(tǒng))，而且還建議共享相似特征的電影(基于內(nèi)容)。混合協(xié)同過(guò)濾的推薦過(guò)程

評(píng)估推薦系統(tǒng)：圍繞準(zhǔn)確性的炒作用戶并不真正在乎準(zhǔn)確性

沒有一種簡(jiǎn)單的方法可以衡量推薦系統(tǒng)的質(zhì)量。該領(lǐng)域中的許多研究都將重點(diǎn)放在預(yù)測(cè)用戶對(duì)他們尚未評(píng)級(jí)的任何事物(好或壞)的評(píng)分問(wèn)題上。但這與推薦系統(tǒng)在現(xiàn)實(shí)世界中需要做的工作完全不同。衡量準(zhǔn)確性并不是我們希望我們的推薦系統(tǒng)真正做到的。那么，為什么在推薦系統(tǒng)領(lǐng)域中，RMSE和準(zhǔn)確性被如此重視？

好吧，很多事情都可以追溯到2006年，當(dāng)時(shí)Netflix宣布了著名的100萬(wàn)美元獎(jiǎng)金挑戰(zhàn)賽。比賽結(jié)束了他們的RMSE 0.9525，終點(diǎn)線降低到0.8572或更小。由于該獎(jiǎng)項(xiàng)的重點(diǎn)是RMSE，所以人們只關(guān)注它，這種影響一直持續(xù)到今天。

設(shè)計(jì)和構(gòu)建推薦系統(tǒng)流程

果醬實(shí)驗(yàn)推薦問(wèn)題：選擇太少是不好的選擇，但選擇太多會(huì)導(dǎo)致癱瘓

您聽說(shuō)過(guò)著名的圖片來(lái)源：選擇的悖論

那到底發(fā)生了什么？好吧，似乎很多選擇似乎都很吸引人，但是這種選擇超載有時(shí)可能會(huì)給客戶帶來(lái)困惑和阻礙。因此，即使沒有良好的推薦系統(tǒng)，即使在線商店可以訪問(wèn)數(shù)百萬(wàn)種商品，這些選擇也可能弊大于利。。

術(shù)語(yǔ)與架構(gòu)

Items/Documents

這些是系統(tǒng)推薦的實(shí)體，例如Netflix上的電影，Youtube上的視頻和Spotify上的歌曲。

Query/Context

系統(tǒng)利用一些信息來(lái)推薦上述項(xiàng)目，并且該信息構(gòu)成查詢。查詢還可以是以下各項(xiàng)的組合：User Information，可能包括用戶ID或用戶之前與之交互的項(xiàng)目。

Some additional context，例如用戶的設(shè)備，用戶的位置等。

Embedding

嵌入是一種將分類特征表示為連續(xù)值特征的方法。換句話說(shuō)，嵌入是將高維向量轉(zhuǎn)換為稱為嵌入空間的低維空間。在這種情況下，必須將要推薦的查詢或項(xiàng)目映射到嵌入空間。許多推薦系統(tǒng)都依賴于學(xué)習(xí)查詢和項(xiàng)目的適當(dāng)嵌入表示。嵌套 (embeddings)

一種分類特征，以連續(xù)值特征表示。通常，嵌套是指將高維度向量映射到低維度的空間。例如，您可以采用以下兩種方式之一來(lái)表示英文句子中的單詞：

表示成包含百萬(wàn)個(gè)元素(高維度)的

區(qū)別于集成學(xué)習(xí)：集成學(xué)習(xí) (ensemble)

多個(gè)深度模型和寬度模型屬于一種集成學(xué)習(xí)。

這是有關(guān)Recommender系統(tǒng)的大量資源，值得一讀。我已經(jīng)在上面對(duì)它進(jìn)行了總結(jié)，但是您可以對(duì)其進(jìn)行詳細(xì)研究，并且它從建議的角度對(duì)Google的建議進(jìn)行了全面的介紹。https://developers.google.com/machine-learning/recommendation/?developers.google.com

架構(gòu)概述

推薦系統(tǒng)的通用體系結(jié)構(gòu)包含以下三個(gè)基本組件：

1.候選人的產(chǎn)生

這是推薦系統(tǒng)的第一階段，將用戶過(guò)去活動(dòng)的事件作為輸入，并從大型語(yǔ)料庫(kù)中檢索一小部分(數(shù)百個(gè))視頻。主要有兩種常見的候選人生成方法：基于內(nèi)容的過(guò)濾

基于內(nèi)容的篩選涉及根據(jù)項(xiàng)目本身的屬性來(lái)推薦項(xiàng)目。系統(tǒng)會(huì)推薦與用戶過(guò)去喜歡的商品相似的商品。協(xié)同過(guò)濾

協(xié)作過(guò)濾依賴于用戶項(xiàng)目交互，并且依賴于類似用戶喜歡類似事物的概念，例如，購(gòu)買此商品的客戶也購(gòu)買了該商品。

2.計(jì)分

這構(gòu)成了第二階段，在該階段中，另一個(gè)模型通常以10的比例進(jìn)一步對(duì)候選者進(jìn)行排名和評(píng)分。例如，在Youtube的情況下，排名網(wǎng)絡(luò)通過(guò)根據(jù)期望的目標(biāo)函數(shù)使用以下方法為每個(gè)視頻分配得分來(lái)完成此任務(wù)一組描述視頻和用戶的豐富功能。向用戶展示得分最高的視頻，并按其得分排名。

3.重新排名

在第三階段，系統(tǒng)考慮了其他約束條件，以確保多樣性，新鮮度和公平性。例如，系統(tǒng)刪除了用戶較早之前明確不喜歡的內(nèi)容，并且還考慮了站點(diǎn)上的任何新鮮項(xiàng)目。典型推薦系統(tǒng)的整體結(jié)構(gòu)

相似度

您如何確定一個(gè)項(xiàng)目是否與另一個(gè)項(xiàng)目相似？事實(shí)證明，基于內(nèi)容的過(guò)濾和協(xié)作過(guò)濾技術(shù)都采用某種相似性度量。我們來(lái)看兩個(gè)這樣的指標(biāo)。

考慮兩部電影-movie1和movie 2屬于兩種不同類型。讓我們?cè)?D圖形上繪制電影，如果電影不屬于該類型，則分配值為零；如果電影不屬于該類型，則分配值為1。在此，電影1(1,1)屬于流派1和2，而電影2僅屬于流派2(1,0)。可以將這些位置視為向量，并且這些向量之間的角度充分說(shuō)明了它們的相似性。

余弦相似度

它是兩個(gè)向量之間的角度的余弦，

similarity(movie1,movie2) = cos(movie1,movie2) = cos 45

大約為0.7。余弦相似度為1表示最高相似度，而余弦相似度值為零表示無(wú)相似度。

點(diǎn)積

兩個(gè)向量的點(diǎn)積是角度的余弦乘以范數(shù)的乘積，即

similarity(movie1,movie2) = ||movie1|| ||movie 2|| cos(movie1,movie2).

推薦流程

典型的推薦器系統(tǒng)管??道包括以下五個(gè)階段：典型的推薦系統(tǒng)管道

假設(shè)我們正在構(gòu)建電影推薦系統(tǒng)。該系統(tǒng)沒有用戶或電影的先驗(yàn)知識(shí)，只有通過(guò)用戶給定的評(píng)分，用戶與電影之間的互動(dòng)。這是一個(gè)數(shù)據(jù)幀，由電影ID，用戶ID和電影等級(jí)組成。電影分級(jí)數(shù)據(jù)框

由于我們只獲得評(píng)級(jí)，而沒有別的，因此我們將對(duì)我們的Recommender系統(tǒng)使用協(xié)作過(guò)濾。

1.Pre-ProcessingUtility matrix conversion

我們首先需要將電影評(píng)分?jǐn)?shù)據(jù)幀轉(zhuǎn)換為用戶項(xiàng)矩陣，也稱為Utility matrix。

用戶為電影指定的等級(jí)填充了矩陣的每個(gè)單元格。該矩陣通常表示為稀疏矩陣，因?yàn)橛捎谠撎囟娪皼]有任何評(píng)級(jí)，因此許多單元為空。如果數(shù)據(jù)稀疏，則協(xié)作過(guò)濾效果不佳，因此我們需要計(jì)算矩陣的稀疏性。

如果稀疏度值大約為0.5或更大，則協(xié)作過(guò)濾可能不是最佳解決方案。這里要注意的另一個(gè)重要點(diǎn)是，空單元格實(shí)際上代表著新用戶和新電影。因此，如果新用戶比例很高，那么我們可能會(huì)再次考慮使用其他一些推薦方法，例如基于內(nèi)容的過(guò)濾或混合過(guò)濾。

Normalization

總是會(huì)有用戶過(guò)度肯定(總是給4或5評(píng)分)或過(guò)度否定(給所有1或2評(píng)分)。因此，我們需要對(duì)評(píng)級(jí)進(jìn)行歸一化，以解決用戶和商品的偏見。這可以通過(guò)采用均值歸一化來(lái)完成。資料來(lái)源：歸一化評(píng)級(jí)

2.Model Training

在對(duì)數(shù)據(jù)進(jìn)行預(yù)處理之后，我們需要開始模型構(gòu)建過(guò)程。Matrix Factorisation是協(xié)作過(guò)濾中的一種常用技術(shù)，盡管還有其他方法，例如Neighbourhood methods。涉及的步驟如下：將用戶項(xiàng)矩陣分解為2個(gè)潛在因子矩陣-用戶因子矩陣和項(xiàng)目因子矩陣(user-factor matrix and item-factor matrix)。

用戶評(píng)級(jí)是人類生成的電影的特征。這些功能是我們認(rèn)為很重要的直接可觀察的東西。但是，還有一些特征不能直接觀察到，但在評(píng)級(jí)預(yù)測(cè)中也很重要。這些隱藏特征集稱為“ 潛在特征”。The user ratings are features of the movies that are generated by humans. These features are directly observable things that we assume are important. However, there are also a certain set of features which are not directly observable but are also important in rating predictions. These set of hidden features are called Latent features.潛在因子方法的簡(jiǎn)化圖示

潛在功能可以認(rèn)為是用戶與項(xiàng)目之間交互作用的基礎(chǔ)。本質(zhì)上，我們不明確知道每個(gè)潛在特征代表什么，但是可以假定一個(gè)特征可能代表用戶喜歡喜劇電影，而另一個(gè)潛在特征可以代表用戶喜歡動(dòng)畫電影等等。

Predict missing ratings from the inner product of these two latent matrices.

此處的潛在因子由K表示。此重構(gòu)的矩陣填充了原始用戶項(xiàng)目矩陣中的空單元，因此現(xiàn)在已知未知等級(jí)。

但是我們?nèi)绾螌?shí)現(xiàn)上面顯示的矩陣分解？好吧，事實(shí)證明，使用以下一種方法可以通過(guò)多種方法來(lái)實(shí)現(xiàn)：交替最小二乘法

隨機(jī)梯度下降(SGD)

奇異值分解(SVD)

3.超參數(shù)優(yōu)化

在調(diào)整參數(shù)之前，我們需要選擇一個(gè)評(píng)估指標(biāo)。推薦人的一種流行評(píng)估指標(biāo)是“ 精確度為K”，它會(huì) 查看前k個(gè)推薦，并計(jì)算出這些推薦中與用戶實(shí)際相關(guān)的比例。

因此，我們的目標(biāo)是找到在K或要優(yōu)化的任何其他評(píng)估指標(biāo)上提供最佳精度的參數(shù)。找到參數(shù)后，我們可以重新訓(xùn)練模型以獲得預(yù)測(cè)的打分，并可以使用這些結(jié)果生成建議。

4.后處理

然后，我們可以對(duì)所有預(yù)測(cè)的打分進(jìn)行排序，并為用戶提供排名前N位的建議。我們還希望排除或過(guò)濾掉用戶之前已經(jīng)進(jìn)行過(guò)交互的項(xiàng)目。對(duì)于電影，沒有必要推薦用戶先前看過(guò)或不喜歡的電影。

5.評(píng)估

我們之前已經(jīng)介紹過(guò)了，但是在這里讓我們更詳細(xì)地討論。評(píng)估任何推薦系統(tǒng)的最佳方法是在野外對(duì)其進(jìn)行測(cè)試。諸如A / B測(cè)試之類的技術(shù)是最好的，因?yàn)樗梢詮恼鎸?shí)用戶那里獲得實(shí)際的反饋。但是，如果不可能，那么我們必須求助于一些離線評(píng)估。

在傳統(tǒng)的機(jī)器學(xué)習(xí)中，我們將原始數(shù)據(jù)集拆分為一個(gè)訓(xùn)練集和一個(gè)驗(yàn)證集。但是，這對(duì)于推薦器模型不起作用，因?yàn)槿绻覀冊(cè)趩为?dú)的用戶群體上訓(xùn)練所有數(shù)據(jù)并在另一個(gè)用戶群體上進(jìn)行驗(yàn)證，則該模型將不起作用。因此，對(duì)于推薦，我們實(shí)際上是在矩陣中隨機(jī)掩蓋了一些已知的評(píng)分。然后，我們通過(guò)機(jī)器學(xué)習(xí)預(yù)測(cè)這些掩蓋的評(píng)分，然后將預(yù)測(cè)的評(píng)分與實(shí)際評(píng)分進(jìn)行比較。

早些時(shí)候，我們談到了精度作為評(píng)估指標(biāo)。以下是一些可以使用的其他方法。

Python庫(kù)

有許多專用于推薦目的而創(chuàng)建的Python庫(kù)。以下是最受歡迎的：scikit building and analyzing recommender systems.

結(jié)論

在本文中，我們以縮小選擇范圍的方式討論了推薦算法的應(yīng)用領(lǐng)域，為什么要推薦，推薦遇到的問(wèn)題，推薦的重要性。我們還介紹了設(shè)計(jì)和構(gòu)建推薦系統(tǒng)管道的過(guò)程。實(shí)際上，Python通過(guò)為此目的提供對(duì)許多專用庫(kù)的訪問(wèn)來(lái)使此過(guò)程更簡(jiǎn)單。嘗試使用一個(gè)構(gòu)建自己的個(gè)性化推薦引擎。

應(yīng)用實(shí)戰(zhàn)相關(guān)：好好先生：動(dòng)手從爬蟲到設(shè)計(jì)音樂推薦系統(tǒng)(1)|數(shù)據(jù)處理部分?zhuanlan.zhihu.com好好先生：動(dòng)手從爬蟲到設(shè)計(jì)音樂推薦系統(tǒng)(2)|模型選擇與訓(xùn)練預(yù)測(cè)?zhuanlan.zhihu.com

參考文獻(xiàn)：https://towardsdatascience.com/recommendation-systems-in-the-real-world-51e3948772f3?towardsdatascience.com

下一期：embedding 推薦系統(tǒng)

總結(jié)

以上是生活随笔為你收集整理的python进阶项目设计_推荐系统进阶：设计和构建推荐系统流程综述（1）的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。