협업 필터링 예제

By in Non classé on 2 août 2019

가이드라인을 설정하는 편집자가 거의 없는 주류 미디어의 기존 모델과 달리 협업적으로 필터링된 소셜 미디어는 매우 많은 수의 편집자를 가질 수 있으며 참가자 수가 증가함에 따라 콘텐츠가 향상됩니다. Reddit, YouTube 및 Last.fm 같은 서비스는 협업 필터링 기반 미디어의 전형적인 예입니다. [10] 콘텐츠 기반 접근 방식은 사용자의 상호 작용과 피드백을 사용하는 대신 항목 자체 기능에 대한 많은 정보를 필요로 합니다. 예를 들어 장르, 연도, 감독, 배우 등과 같은 영화 속성또는 자연어 처리를 적용하여 추출할 수 있는 기사의 텍스트 콘텐츠일 수 있습니다. 반면에 공동 작업 필터링은 항목 집합에 대한 사용자의 이전 기본 설정 외에는 다른 항목이 필요하지 않습니다. 이 데이터는 기록 데이터를 기반으로 하기 때문에 과거에 동의한 사용자도 미래에 동의하는 경향이 있다는 것이 핵심 가정입니다. 사용자 기본 설정의 관점에서, 그것은 일반적으로 두 가지 범주로 표현. 명시적 등급은 사용자가 타이타닉의 별 5개와 같이 슬라이딩 스케일의 항목에 부여한 비율입니다. 이것은 사용자가 항목을 얼마나 좋아하는지 보여주는 가장 직접적인 피드백입니다.

암시적 등급은 페이지 조회수, 클릭수, 구매 기록, 음악 트랙 청취 여부 등과 같이 간접적으로 사용자 기본 설정을 제안합니다. 이 기사에서는 추천 시스템을 위한 전통적이고 강력한 도구인 공동 작업 필터링을 자세히 살펴보겠습니다. 회색 양은 의견이 일관되게 동의하거나 사람들의 그룹에 동의하지 않는 따라서 공동 필터링의 혜택을하지 않는 사용자를 의미한다. 검은 양은 특이한 취향으로 인해 권장 사항이 거의 불가능한 그룹입니다. 이것은 추천 시스템의 실패이지만, 비 전자 추천자는 이러한 경우에 큰 문제가, 그래서 검은 양을 갖는 것은 허용 실패입니다. [분쟁 – 토론] fast.ai 다음을 사용하여 공동 작업 필터링을 위한 심층 신경망을 만드는 단계는 사용자 프로필을 만드는 데 사용되었습니다. 그것은 다른 사용자 환경 설정에서 생성 되고 있다. 초밥의 종류가 다른 유저들이 점수를 매겨주였습니다.

추천 시스템은 사용자가 온라인에서 무언가를 선택할 때 유사한 항목을 선택하는 데 도움이 됩니다.

Comments are closed.