Система рекомендаций является очень популярным и широко используемым методом. Они используются на разных платформах, таких как Netflix, Amazon, Facebook, а также LinkedIn. Amazon рекомендует продукт пользователям, Netflix рекомендует фильмы, веб-сериалы и т. д. Сайты социальных сетей рекомендуют похожих пользователей, друзей и людей, которых вы, возможно, знаете.
Система рекомендаций анализирует поведение пользователей и пытается сделать их более удобными. Система рекомендаций рекомендует пользователям элементы на основе того, что им нравилось раньше или что популярно среди аналогичных пользователей.
В любой рекомендательной системе есть пользователи и элементы. Задача рекомендательной системы состоит в том, чтобы предложить лучший элемент из набора элементов конкретному пользователю.
1 . Рекомендация на основе содержания:
Система рекомендаций на основе контента, основанная на ключевых словах или атрибутах, которые используются для описания товара. Этот алгоритм находит сходство между элементами или статьями и рекомендует похожие элементы, которые ранее понравились пользователю.
Эта система рекомендаций создает профиль пользователя, чтобы указать тип элементов, который нравится конкретному пользователю.
Затем сравните профиль пользователя с другими элементами, и будут рекомендованы наиболее подходящие элементы.
2. Совместная фильтрация:
Совместная фильтрация основана на сходстве между пользователями. Эта система рекомендаций рекомендует элемент пользователю на основе аналогичного пользователя или элементов. Они способны рекомендовать элементы, не требуя понимания самого элемента.
Многие сайты социальных сетей рекомендуют новых друзей, группируются, анализируя связи между пользователями и их друзьями. Этот процесс фильтрации происходит благодаря сотрудничеству между несколькими источниками данных. Приложения совместной фильтрации включают большие наборы данных.
Метод совместной фильтрации:
- Сначала найдите сходство между пользователями с активным пользователем на основе прошлых рекомендаций.
- Произведение матрицы оценок элементов и матрицы подобия дает взвешенную матрицу оценок.
- Наконец, разделив сумму взвешенных оценок и индекса подобия, мы получим матрицу рекомендаций.
Типы рекомендательного алгоритма:
- На основе памяти: подход на основе памяти использует наборы данных пользовательских элементов для создания рекомендаций. Этот подход использует статистические методы, такие как корреляция лиц, косинусное сходство, евклидово расстояние, чтобы найти приблизительных пользователей или элементы.
- На основе моделей: в этом подходе модели разрабатываются для изучения предпочтений. Эти модели создаются с использованием методов машинного обучения, таких как кластеризация, классификация и т. д.
3. Гибридные рекомендательные системы:
Гибридные рекомендательные системы представляют собой комбинацию на основе контента, совместной фильтрации и другого алгоритма рекомендательной системы.
Гибридная система рекомендаций представляет собой комбинацию основанного на содержании контента, совместной фильтрации и другого алгоритма системы рекомендаций. Гибридная система рекомендаций может давать лучшие рекомендации, чем контентная и совместная фильтрация.
Эта система наследует преимущества методов и устраняет недостатки.
Проблема с холодным запуском:
Проблема холодного запуска распространена в системе рекомендаций. Проблема холодного запуска касается персонализированных рекомендаций с отсутствием информации о пользователе или товаре.
Существует три типа проблем с холодным запуском:
- Проблема нового пользователя
- Проблема с новым товаром
- Новая системная проблема
Рекомендации на основе контента могут решить эту проблему. Поскольку они не зависят от какого-либо другого пользователя, они могут дать рекомендацию в случае нового пользователя.
Вывод :
Наконец, мы можем сделать вывод, что гибридная система рекомендаций дает лучший опыт, чем другие методы. Кроме того, необходимо улучшить методы рекомендаций на основе контента и совместной фильтрации, чтобы получить лучший результат.
