Свързани публикации 'recommendation-system'
Системата за препоръки в Lyft
Препоръките играят важна роля в разбирането на Lyft за своите ездачи и позволяват персонализиране на изживяването на приложението, за да задоволят по-добре техните нужди. Понякога препоръките също се използват за управление на пазара, като се гарантира, че има здравословен баланс между търсенето на превози и предлагането на шофьори. Това позволява заявките за пътуване да бъдат изпълнени с по-желани резултати от изпращането, като например съвпадение на ездачи с най-добрия шофьор наблизо...
Прост пример за Autoencoder, използващ Tensorflow в Python върху набора от данни Fashion MNIST
Автоенкодерите могат да се използват за решаване на много проблеми. Това, което ще се опитам да разреша тук, е намаляването на размерността. Това е доста често срещан проблем в науката за данни. Виждал съм го да се появява в много проекти, върху които съм работил. Ако имате структурирани данни, обикновено как ще се справите с тях е да използвате PCA, SVD и т.н. Но тук ще използвам автоматичен енкодер, за да получа латентни функции за всяко изображение.
В този урок ще се съсредоточа..
3-) Базирани на текст прилики
Можете да генерирате препоръки, базирани на съдържание, когато са налични описателни атрибути. За съжаление в реалния свят това често не е така, тъй като етикетите на атрибути като жанрове на книги може да не са налични. За щастие, ако има текст, свързан с елемент, тогава все още може да имаме късмет. За този вид данни ние използваме „Честота на термина, обратна честота на документа“ или TF-IDF, за да трансформираме текста в нещо използваемо.
TF-IDF разделя броя на срещанията на..
Какво представляват системите за препоръки и как те знаят точно какво искате още преди да го направите
Системите за препоръки са супер мощни тайни търговци, които влияят на вашите решения за покупка
Аз и съпругът ми обичаме да гледаме филми на ужасите/трилъри и Netflix никога не ни подвеждаше с препоръката си какво следва да гледаме. Родителите ми харесват семейно ориентирани и религиозни филми и получават точно тези жанрови филми, когато влязат в профилите си. Как Netflix, като огромна OTT платформа с милиони заглавия, препоръчва точно това, което търсите въз основа на вашите..
Проблемите с етиката и поверителността на двигателите за препоръки на медийни платформи
„Наука за данни в реалния свят“
Проблемите с етиката и поверителността на двигателите за препоръки на медийни платформи
Защо трябва да обръщаме повече внимание на системите, които обслужват съдържание.
Механизмите за препоръки на медийни платформи доминират нашите медийни решения. Вместо да позволим на произволността на сърфирането на дивана да реши съдбата ни за гледане, изборът се прави за нас във всички форми на цифрови медии, включително YouTube, Facebook, Spotify и т.н. Според..
Въведение в съвместното филтриране за препоръка за филми
Ръководство стъпка по стъпка за системата за препоръчване
Системата за препоръчване се превърна във възходяща тема, тъй като изискваме по-персонализирано съдържание да се прокара в нашите ежедневни емисии. Предполагам, че всички сме запознати с препоръчаните видеоклипове в YouTube и всички сме - повече от веднъж - жертви на късно нощно гледане на Netflix.
Има два популярни метода в системата за препоръчване, филтриране, базирано на сътрудничество и филтриране, базирано на съдържание...
Система за препоръки, използваща съвместно филтриране
Подход на най-близкия съсед
Системата за препоръки е навсякъде. Amazon, Facebook, Youtube, Netflix и т.н. използват система за препоръки, за да препоръчват продукти на своите потребители. Тези системи за препоръки предоставят на потребителите приятно изживяване, тъй като помагат на потребителите да намерят продукти, които им подхождат най-добре. Нека научим как работят тези системи за препоръки.
Има три начина за препоръка:
Препоръчване на подобни продукти, които потребителят може..
