การกรองตามเนื้อหา
จัดทุกอย่างให้เป็นระเบียบอยู่เสมอด้วยคอลเล็กชัน
บันทึกและจัดหมวดหมู่เนื้อหาตามค่ากำหนดของคุณ
การกรองตามเนื้อหาจะใช้ฟีเจอร์ของรายการเพื่อแนะนำรายการอื่นๆ
คล้ายกับสิ่งที่ผู้ใช้ชอบโดยอิงจากการกระทำก่อนหน้านี้
ความคิดเห็น
มาลองสร้างคุณลักษณะบางอย่างกัน เพื่อสาธิตการกรองเนื้อหา
สำหรับ Google Play Store รูปต่อไปนี้แสดงเมทริกซ์จุดสนใจ
แต่ละแถวแสดงแอปและแต่ละคอลัมน์แสดงฟีเจอร์ ฟีเจอร์
อาจรวมถึงหมวดหมู่ (เช่น การศึกษา ทั่วไป สุขภาพ) ผู้เผยแพร่โฆษณา
ของแอป และอื่นๆ อีกมากมาย เพื่อให้เข้าใจง่าย สมมติว่าเมทริกซ์ฟีเจอร์นี้เป็นเลขฐานสอง
หากค่าที่ไม่ใช่ 0 หมายความว่าแอปมีฟีเจอร์นั้นอยู่
และคุณเป็นตัวแทนของผู้ใช้ในพื้นที่ฟีเจอร์เดียวกันด้วย บางอย่างเกี่ยวกับผู้ใช้
ฟีเจอร์ให้แก่ผู้ใช้ได้อย่างชัดแจ้ง เช่น ผู้ใช้เลือก
"แอปบันเทิง" ในโปรไฟล์ ฟีเจอร์อื่นๆ อาจเป็นแบบโดยนัย
ตามแอปที่พวกเขาเคยติดตั้ง ตัวอย่างเช่น ผู้ใช้
ติดตั้งแอปอีกแอปหนึ่งที่เผยแพร่โดย Science R Us
โมเดลควรแนะนำรายการที่เกี่ยวข้องกับผู้ใช้รายนี้ ในการดำเนินการนี้ คุณต้อง
ก่อนอื่นให้เลือกเมตริกความคล้ายคลึงกัน (เช่น ผลิตภัณฑ์แบบจุด) จากนั้นคุณต้อง
ตั้งค่าระบบเพื่อให้คะแนนแต่ละรายการของผู้สมัครตามความคล้ายคลึงกันนี้
เมตริก โปรดทราบว่าคำแนะนำมีไว้สำหรับผู้ใช้รายนี้เท่านั้นในฐานะต้นแบบ
ไม่ได้ใช้ข้อมูลใดๆ เกี่ยวกับผู้ใช้รายอื่น
การใช้ผลิตภัณฑ์แบบจุดเป็นการวัดความคล้ายคลึงกัน
ลองพิจารณากรณีที่ผู้ใช้ฝัง \(x\) และแอป
การฝัง \(y\) เป็นเวกเตอร์ไบนารีทั้งคู่ ตั้งแต่ปี
\(\langle x, y \rangle = \sum_{i = 1}^d x_i y_i\)
ที่ปรากฏในทั้ง \(x\) และ \(y\)
ผลรวม กล่าวคือ \(\langle x, y \rangle\) คือจำนวน
ของจุดสนใจที่ทำงานในเวกเตอร์ทั้งสองพร้อมกัน ระดับสูง
จุดจะบ่งบอกคุณลักษณะที่เหมือนกันมากกว่า จึงมีความคล้ายคลึงกันสูงกว่า
ทดลองด้วยตัวคุณเอง
คำนวณจุดของผลิตภัณฑ์สำหรับแต่ละแอปในโจทย์แอปก่อนหน้า
จากนั้นใช้ข้อมูลนั้นตอบคำถามด้านล่าง
เราจะแนะนำแอปใด
แอปเพื่อการศึกษาที่สร้างโดย Science R Us
คุณตอบถูก! รายการนี้มีผลิตภัณฑ์แบบจุดสูงสุด
ที่ 2 ผู้ใช้ของเราชอบแอปวิทยาศาสตร์และการศึกษามาก
แอปสุขภาพที่สร้างโดย Healthcare
แอปนี้ได้ 1 คะแนน นี่ไม่ใช่คำแนะนำที่แย่ที่สุดสำหรับ
ระบบนี้ก็สามารถทำได้ แต่ระบบก็ไม่ได้ดีที่สุด
แอปบรรยากาศสบายๆ ที่สร้างโดย TimeWastr
จริงๆ แล้วแอปนี้มีผลิตภัณฑ์แบบจุดต่ำสุดที่ 0
ผู้ใช้ไม่สนใจแอปง่ายๆ เช่น เกม
เนื้อหาของหน้าเว็บนี้ได้รับอนุญาตภายใต้ใบอนุญาตที่ต้องระบุที่มาของครีเอทีฟคอมมอนส์ 4.0 และตัวอย่างโค้ดได้รับอนุญาตภายใต้ใบอนุญาต Apache 2.0 เว้นแต่จะระบุไว้เป็นอย่างอื่น โปรดดูรายละเอียดที่นโยบายเว็บไซต์ Google Developers Java เป็นเครื่องหมายการค้าจดทะเบียนของ Oracle และ/หรือบริษัทในเครือ
อัปเดตล่าสุด 2024-07-26 UTC
[null,null,["อัปเดตล่าสุด 2024-07-26 UTC"],[[["\u003cp\u003eContent-based filtering suggests items similar to a user's preferences by analyzing item features and user interactions.\u003c/p\u003e\n"],["\u003cp\u003eUser and item features are represented in a feature matrix, where common features indicate higher similarity.\u003c/p\u003e\n"],["\u003cp\u003eDot product is used as a similarity metric, with higher values indicating stronger relevance between user and item.\u003c/p\u003e\n"],["\u003cp\u003eRecommendations are tailored to individual users based on their specific features and interactions, without using data from other users.\u003c/p\u003e\n"],["\u003cp\u003eThe system identifies the best recommendations by calculating dot products and selecting items with the highest scores.\u003c/p\u003e\n"]]],[],null,["# Content-based filtering uses item features to recommend other items\nsimilar to what the user likes, based on their previous actions or explicit\nfeedback.\n\nTo demonstrate content-based filtering, let's hand-engineer some features\nfor the Google Play store. The following figure shows a feature matrix where\neach row represents an app and each column represents a feature. Features\ncould include categories (such as Education, Casual, Health), the publisher\nof the app, and many others. To simplify, assume this feature matrix is binary:\na non-zero value means the app has that feature.\n\nYou also represent the user in the same feature space. Some of the user-related\nfeatures could be explicitly provided by the user. For example, a user selects\n\"Entertainment apps\" in their profile. Other features can be implicit,\nbased on the apps they have previously installed. For example, the user\ninstalled another app published by Science R Us.\n\nThe model should recommend items relevant to this user. To do so, you must\nfirst pick a similarity metric (for example, dot product). Then, you must\nset up the system to score each candidate item according to this similarity\nmetric. Note that the recommendations are specific to this user, as the model\ndid not use any information about other users.\n\nUsing dot product as a similarity measure\n-----------------------------------------\n\nConsider the case where the user embedding \\\\(x\\\\) and the app\nembedding \\\\(y\\\\) are both binary vectors. Since\n\\\\(\\\\langle x, y \\\\rangle = \\\\sum_{i = 1}\\^d x_i y_i\\\\), a\nfeature appearing in both \\\\(x\\\\) and \\\\(y\\\\) contributes a 1 to\nthe sum. In other words, \\\\(\\\\langle x, y \\\\rangle\\\\) is the number\nof features that are active in both vectors simultaneously. A high\ndot product then indicates more common features, thus a higher similarity.\n\nTry it yourself!\n----------------\n\nCalculate the dot product for each app in the preceding app problem.\nThen use that information to answer the question below: \nWhich app should we recommend? \nThe educational app created by Science R Us. \nYou are correct! This item has the highest dot product at 2. Our user really likes science and educational apps. \nThe health app created by Healthcare. \nThis app scores a 1. It isn't the worst recommendation our system could make, but it certainly isn't the best. \nThe casual app created by TimeWastr. \nThis app actually has the lowest dot product at 0. Our user isn't interested in casual apps like games."]]
