การกรองที่อิงตามเนื้อหาจะใช้ฟีเจอร์ของรายการเพื่อแนะนํารายการอื่นๆ ที่คล้ายกับสิ่งที่ผู้ใช้ชื่นชอบ โดยอิงจากการดําเนินการก่อนหน้านี้หรือความคิดเห็นที่ไม่เหมาะสม
ในการสาธิตการกรองที่อิงตามเนื้อหา มาดูวิศวกรรมบางอย่าง สําหรับ Google Play Store เอง รูปภาพต่อไปนี้แสดงเมทริกซ์ของฟีเจอร์ซึ่งแต่ละแถวแสดงถึงแอป และแต่ละคอลัมน์จะแสดงถึงฟีเจอร์ ฟีเจอร์ต่างๆ อาจประกอบด้วยหมวดหมู่ต่างๆ (เช่น การศึกษา ทั่วไป สุขภาพ) ผู้เผยแพร่แอป และหมวดหมู่อื่นๆ อีกมากมาย หากต้องการทําให้เรียบง่ายขึ้น ให้ถือว่าเมทริกซ์ของฟีเจอร์นี้เป็นไบนารี ค่าที่ไม่ใช่ 0 หมายความว่าแอปมีฟีเจอร์ดังกล่าว
นอกจากนี้คุณยังเป็นตัวแทนของผู้ใช้ในพื้นที่ฟีเจอร์เดียวกันด้วย ฟีเจอร์บางอย่างที่เกี่ยวข้องกับผู้ใช้อาจระบุอย่างชัดแจ้งโดยผู้ใช้ เช่น ผู้ใช้เลือก "Entertainment apps" ในโปรไฟล์ของตน ฟีเจอร์อื่นๆ อาจบอกเป็นนัยได้ โดยอิงจากแอปที่ได้ติดตั้งไว้ก่อนหน้า เช่น ผู้ใช้ติดตั้งแอปอื่นที่เผยแพร่โดย Science R Us
โมเดลควรแนะนํารายการที่เกี่ยวข้องกับผู้ใช้รายนี้ ในการทําเช่นนี้ คุณต้องเลือกเมตริกที่คล้ายกันก่อน (เช่น ผลิตภัณฑ์ลายจุด) แล้วคุณต้องตั้งค่าระบบเพื่อให้คะแนนแต่ละรายการตามเมตริกความคล้ายคลึงนี้ โปรดทราบว่าคําแนะนํานี้ใช้ได้กับผู้ใช้รายนี้เท่านั้น เนื่องจากโมเดลไม่ได้ใช้ข้อมูลใดๆ เกี่ยวกับผู้ใช้รายอื่น
การใช้ผลิตภัณฑ์ Dot เป็นมาตรวัดความคล้ายคลึง
พิจารณากรณีที่ผู้ใช้ฝัง \(x\) และแอปฝัง \(y\) เป็นเวกเตอร์ไบนารีทั้งคู่ เนื่องจาก\(\langle x, y \rangle = \sum_{i = 1}^d x_i y_i\)มีฟีเจอร์ที่ปรากฏอยู่ในทั้ง \(x\) และ \(y\) มีส่วน 1 เป็นผลรวม กล่าวอีกนัยหนึ่งคือ \(\langle x, y \rangle\) จํานวนฟีเจอร์ต่างๆ ที่ทํางานอยู่ในเวกเตอร์ทั้งสองแบบพร้อมกัน จากนั้นผลิตภัณฑ์ที่มีจุดสูงจะบ่งบอกถึงฟีเจอร์ที่พบบ่อยมากขึ้น จึงมีความคล้ายกันมากขึ้น
ลองใช้เลย
คํานวณผลิตภัณฑ์จุดสําหรับแต่ละแอปที่มีปัญหาก่อนหน้านี้ของแอป แล้วนําข้อมูลดังกล่าวไปใช้ตอบคําถามด้านล่าง