สิ่งตีพิมพ์ในหัวข้อ 'recommendation-system'
4-) การกรองการทำงานร่วมกันและ KNN
จนถึงตอนนี้ เราใช้สินค้าที่ลูกค้าชอบเพื่อเสนอแนะสินค้าอื่นๆ ที่คล้ายคลึงกัน วิธีนี้ใช้ได้ผลดีเมื่อเรามีข้อมูลมากมายเกี่ยวกับสินค้า แต่ไม่มีข้อมูลมากนักว่าผู้คนรู้สึกอย่างไรเกี่ยวกับสินค้าเหล่านั้น ตอนนี้ เราจะค้นหาผู้ใช้ที่มีการตั้งค่าคล้ายกับผู้ใช้ที่เรากำลังให้คำแนะนำมากที่สุด และให้คำแนะนำตามการตั้งค่าของกลุ่มนั้น
คำแนะนำรูปแบบนี้เรียกว่าการกรองร่วมกัน การกรองร่วมกันคือชื่อที่กำหนดให้กับการคาดการณ์หรือการกรองของรายการที่อาจสนใจผู้ใช้ตามการตั้งค่าของผู้ใช้ที่คล้ายคลึงกัน..
การจัดอันดับส่วนบุคคลแบบเบย์โดยนัย (ใน Tensorflow)
ผู้แนะนำ BPR โดยนัย (ใน Tensorflow)
นี่คือบทสรุปและการนำแนวคิดของ Tensorflow ไปใช้ในรายงานเรื่อง "BPR: Bayesian Personal Ranking from Implicit Feedback" โดย Steffen Rendle, Christoph Freudenthaler, Zeno Gantner และ Lars Schmidt-Thieme
เนื้อหา:
บทนำ การจัดอันดับส่วนบุคคลแบบเบย์เซียน โมเดลเทนเซอร์โฟลว์ ชุดข้อมูล เอาล่ะ มาเขียนกันเลย! (รหัส) สรุป ข้อมูลอ้างอิง
การแนะนำ
โพสต์นี้อาศัยแนวคิดที่ครอบคลุมโดยละเอียดในเรื่องราวของฉันเกี่ยวกับ..
ข้อมูลเบื้องต้นเกี่ยวกับระบบผู้แนะนำแบบฝัง
ระบบแนะนำ
ข้อมูลเบื้องต้นเกี่ยวกับระบบผู้แนะนำแบบฝัง
เรียนรู้วิธีสร้างตัวแนะนำการแยกตัวประกอบเมทริกซ์อย่างง่ายใน TensorFlow
มีทุกที่: บางครั้งก็ยอดเยี่ยม บางครั้งก็แย่ และบางครั้งก็มี คำแนะนำ ตลกๆ บนเว็บไซต์หลักๆ เช่น Amazon, Netflix หรือ Spotify เพื่อบอกคุณว่าจะซื้อ ดู หรือฟังอะไรต่อไป แม้ว่า ระบบผู้แนะนำ จะสะดวกสำหรับผู้ใช้อย่างเรา แต่เราได้รับแรงบันดาลใจในการลองสิ่งใหม่ๆ บริษัทต่างๆ ได้รับประโยชน์เป็นพิเศษ จากสิ่งเหล่านั้น
เพื่อให้เข้าใจถึงขอบเขต..
ระบบการแนะนำ: การกรองการทำงานร่วมกันโดยใช้การแยกตัวประกอบเมทริกซ์ — ประยุกต์
ระบบการแนะนำเป็นหนึ่งในแอปพลิเคชัน Machine Learning ที่ประสบความสำเร็จและน่าทึ่งที่สุด ไซต์ต่างๆ เช่น Netflix, YouTube, Yelp ใช้เพื่อแนะนำภาพยนตร์ วิดีโอ หรือบริการที่เราอาจชอบ ความต้องการทางธุรกิจและผลิตภัณฑ์ที่แตกต่างกันทำให้เกิดอัลกอริธึมที่หลากหลายซึ่งสามารถใช้สำหรับระบบผู้แนะนำได้ มีการใช้อย่างแพร่หลายในการสตรีมวิดีโอ การสตรีมเพลง หรือแอปพลิเคชันขายปลีก ทำให้ระบบการแนะนำเป็นสิ่งที่ผู้สนใจด้านวิทยาศาสตร์ข้อมูลต้องรู้
โดยทั่วไป ระบบผู้แนะนำจะสร้างรายการคำแนะนำผ่าน การกรองร่วมกัน..
สัปดาห์ที่ 2 — MOOC คำแนะนำ
สวัสดีอีกครั้ง. หลังจากพักเบรคไปสักพัก เราก็ออกเดินทางกันต่อ :)
สัปดาห์นี้เราต้องพิจารณาบางหัวข้อที่เราพลาดไป ชุดข้อมูลของเรามีปัญหาบางอย่าง มันไม่เหมาะกับจุดประสงค์ของเรา นั่นเป็นเหตุผลที่เราเปลี่ยนข้อมูลด้วยข้อมูลใหม่ เรามาดูรายละเอียดกันดีกว่า
คลิกลิงก์เพื่อเข้าถึงโพสต์ของสัปดาห์ที่แล้ว ( สัปดาห์ที่ 1 — คำแนะนำ MOOC )
— ปัญหาเกี่ยวกับข้อมูล —
ดังที่เราได้กล่าวไปสั้นๆ ข้างต้น ชุดข้อมูลเก่าของเราสำหรับปัญหานี้มีปัญหาบางประการ..
EDA และระบบการแนะนำใน Python
ที่นี่คือจุดเริ่มต้นที่ฉันเริ่มต้นการเดินทางในฐานะบล็อกเกอร์ Data Science จุดประสงค์ของการเข้าโครงการนี้คือเพื่อสนับสนุนนักวิเคราะห์ข้อมูลรุ่นเยาว์และผู้ที่ชื่นชอบวิทยาศาสตร์ข้อมูลเช่นฉัน หวังว่าคุณจะสนุก!
หนังสือ 50 อันดับแรกของ Amazon (2009–2019)
ในช่วงหลายปีที่ผ่านมา อีคอมเมิร์ซได้ครอบครองทั่วโลก และผู้เล่นรายใหญ่ เช่น Amazon, Flipkart, ebay ฯลฯ ได้รับผู้บริโภคจำนวนมหาศาล
ฉันได้นำชุดข้อมูลนี้มาจาก kaggle เพื่อสำรวจและให้ข้อมูลเชิงลึกต่างๆ โดยใช้แนวทาง CRISP- DM..
RBO กับ Kendall Tau เพื่อเปรียบเทียบรายการจัดอันดับ
ในขณะที่แก้ไขปัญหาการจัดอันดับ (การจัดอันดับฟีด การจัดอันดับการค้นหา ฯลฯ) ฉันมักจะพบกับสถานการณ์เมื่อต้องเปรียบเทียบรายการจัดอันดับที่สร้างขึ้นโดยระบบที่แยกจากกัน เช่น การผลิตกับการทดสอบ A/B ความจำเป็นในการเปรียบเทียบรายการจัดอันดับสองรายการขึ้นไปนั้นเป็นเรื่องปกติมากกว่าที่คุณคิด ลองพิจารณาตัวอย่างง่ายๆ: คุณและเพื่อนสองสามคนตัดสินใจแสดงรายการตอนที่คุณชื่นชอบ 5 ตอนของซีรีส์ทางโทรทัศน์ยอดนิยมเรื่อง "FRIENDS" ทุกคนเขียนชื่อตอนที่ชอบที่สุด 5 ตอน โดยรายการแรกหมายถึงตอนที่ชอบมากที่สุด..
