Как мога да внедря двигател за препоръки?

Моля, бъдете търпеливи с писането ми, тъй като английският ми не е на ниво.

Като програмист искам да науча за алгоритъма или интелигентността за машинно обучение, които са внедрени под системи за препоръки или свързани системи. Например, най-очевидният пример би бил от Amazon. Имат наистина добра система за препоръки. Те разбират: ако харесвате това, може да харесате и онова или нещо друго като: Какъв процент от хората харесват това и < em>това заедно.

Разбира се, знам, че Amazon е голям уебсайт и те са инвестирали много мозък и пари в тези системи. Но в самото основно ядро, как можем да приложим нещо подобно в нашата база данни? Как можем да определим как един обект се отнася към друг? Как можем да изградим статистическа единица, която се справя с подобни неща?

Ще се радвам, ако някой може да посочи някои алгоритми. Или по принцип посочете някои добри директни препратки/книги, от които всички можем да се учим. Благодаря на всички ви!


algorithm recommendation-engine
person HTa    schedule 20.11.2010    source източник
comment
Патент на Amazon описва подхода им в дълбочина.   -  person arao6    schedule 02.05.2015

Отговори (4)


arrow_upward
18
arrow_downward

Има 2 различни типа двигатели за препоръки.

Най-простият е базиран на артикул, т.е. „клиентите, които са закупили продукт А, са закупили и продукт Б“. Това е лесно за изпълнение. Съхранявайте разредена симетрична матрица nxn (където n е броят на елементите). Всеки елемент (m[a][b]) е броят пъти, когато някой е купил артикул „a” заедно с артикул „b”.

Другият е базиран на потребителя. Тоест "хора като теб често харесват такива неща". Възможно решение на този проблем е клъстерирането на k-означава. т.е. конструирайте набор от клъстери, където потребители с подобен вкус са поставени в един и същи клъстер и правят предложения въз основа на потребителите в същия клъстер.

По-добро решение, но още по-сложно, е техника, наречена Ограничени машини на Болцман. Има въведение към тях тук

person dan_waterworth    schedule 20.11.2010
comment
@HTa: Разликата между приликата на клиента и приликата на продукта, която @dan_waterworth прави, е най-фундаменталната разделителна линия сред стратегиите за двигатели за препоръки. Въпреки това ограничените boltzmann машини и клъстерирането на k-средства трябва да се разглеждат като заместители за всяка техника за машинно обучение, която искате да използвате. Сходството на клиента или сходството на продукта може да се направи с матрица и може да се направи с ИИ. / статистика / M.L. Можете да прочетете за двете в Wikipedia. - person isomorphismes; 09.03.2011

arrow_upward
3
arrow_downward

Първият опит може да изглежда така:

//First Calculate how often any product pair was bought together
//The time/memory should be about Sum over all Customers of Customer.BoughtProducts^2
Dictionary<Pair<ProductID,ProductID>> boughtTogether=new Dictionary<Pair<ProductID,ProductID>>();
foreach(Customer in Customers)
{
    foreach(product1 in Customer.BoughtProducts)
        foreach(product2 in Customer.BoughtProducts)
            {
                int counter=boughtTogether[Pair(product1,product2)] or 0 if missing;
                counter++;
                boughtTogether[Pair(product1,product2)]=counter;
            }
}

boughtTogether.GroupBy(entry.Key.First).Select(group.OrderByDescending(entry=>entry.Value).Take(10).Select(new{key.Second as ProductID,Value as Count}));

Първо изчислявам колко често всеки чифт продукти е купуван заедно, след което ги групирам по продукта и избирам 20-те най-добри други продукта, купени с него. Резултатът трябва да бъде поставен в някакъв вид речник, кодиран от ID на продукта.

Това може да стане твърде бавно или да струва твърде много памет за големи бази данни.

person CodesInChaos    schedule 20.11.2010

arrow_upward
0
arrow_downward

Мисля, че говорите за системи с бази знания. Не помня езика за програмиране (може би LISP), но има реализации. Освен това погледнете OWL.

person griZZZly8    schedule 20.11.2010

arrow_upward
0
arrow_downward

Има и prediction.io, ако търсите решение с отворен код или SaaS решения като mag3llan.com.

person dolyth    schedule 03.09.2015