Помислете за типичен продукт за електронна търговия. Той ще има разнообразие от специфични за съдържанието функции, като заглавие на продукта, марка, миниизображение и т.н., и други функции, насочени към ангажираност, като брой кликвания, честота на кликване и т.н. Всеки модел на машинно обучение, поглъщащ функции на този продукт (напр. класиране на продукта, модел на препоръки и т.н. ) ще трябва да се справят с проблема за сливането на тези отделни характеристики. Най-общо казано..

Попаднах на интересна статия от The Verge : нехаресванията не работят. Това се отнася за YouTube, но важи и за други услуги. Така че, ако някой удари „не харесвам“ или „не се интересувам“ за конкретен видеоклип, този видеоклип наистина изчезва от емисията с препоръки. Но само този конкретен видеоклип, броят на подобни видеоклипове няма да намалее. Това съвпада добре с моя опит: почти всеки път, когато включвахме изрични отрицателни сигнали в набора от функции, те почти нямаха..

След като сте работили върху различни проблеми с машинното обучение, повечето неща в областта започват да се чувстват много подобни. Взимате необработените си входни данни, картографирате ги в различно латентно пространство с по-малко измерения и след това извършвате своята класификация/регресия/групиране. Системите за препоръчване, нови и стари, не се различават. В проблема с класическото съвместно филтриране факторизирате вашата частично попълнена матрица за използване, за да научите..

Това, което не харесвате, казва повече от това, което харесвате Традиционно казано, намирането на правилния дом често е дълъг, стресиращ и досаден процес. Но Trulia го улеснява, като предоставя на потребителите подробности и уникална информация за домовете, от които се интересуват. За да опростим процеса още повече, създадохме механизъм за препоръчване, за да гарантираме, че потребителите винаги са виждайки какво е подходящо за тях. Ето един поглед отвътре как работи: Получаване..