Par exemple, lorsque vous ouvrez Netflix, "Recommandé pour vous" Est sur l'écran supérieur. Ce "recommandé pour vous" Un moteur qui extrait.
Le système de moteur de recommandation modifie considérablement les ventes de l'ensemble du site, ce qui en fait l'un des endroits où les scientifiques des données peuvent jouer un rôle actif. Il y a surprise, etc. comme cadre pour faire un moteur de recommandation.
Il semble qu'il existe environ 3 types.
Simple engine Nous recommandons simplement ceux avec une évaluation élevée. Nous n'évaluons pas les préférences individuelles des utilisateurs. Par exemple, lorsque la note "Votre nom est" est de 5 étoiles, Je le recommande à tous les utilisateurs.
avantage Très simple et facile à mettre en œuvre
Désavantage Il n'est pas recommandé de refléter les goûts des utilisateurs individuels. Par conséquent, SF pour les femmes et les films d'amour populaires pour femmes pour hommes sont recommandés et la précision est faible.
Content-based engine Nous recommandons simplement des produits avec un contenu similaire. Par exemple, les prédateurs et les extraterrestres ont un contenu similaire. Si vous aimez les prédateurs, je recommande les extraterrestres.
avantage La mise en œuvre est incertaine et facile à expliquer aux gens. Fort lors de la recommandation de films par genre (SF, amour, etc.)
Désavantage J'ai tendance à recommander les vieux films parce que je ne peux pas suivre les tendances. Puisqu'il ne recommande que des contenus similaires, il est recommandé qu'il soit faible ou élevé.
Collaborative Filtering engine Je vous recommande ce que les utilisateurs comme vous aiment.
Par exemple, supposons que vous aimiez Ponyo sur une falaise (le général Ghibli fonctionne). À part vous, les utilisateurs qui aiment Ponyo sur la falaise (le général Ghibli fonctionne) aiment aussi "Votre nom est" pour une raison quelconque. Le moteur de recommandation vous recommande donc "Votre nom est".
avantage Haute précision car il recommande au goût de l'utilisateur individuel.
Désavantage C'est un peu difficile à mettre en œuvre et difficile à expliquer aux gens. La précision est faible sans une grande quantité de données.
Les entreprises connaissant bien les données telles que Netflix utilisent des moteurs de filtrage collaboratifs. Impression que la difficulté de montage augmente de haut en bas, mais la précision augmente également
Recommended Posts