Wissenstest
Mit Sammlungen den Überblick behalten
Sie können Inhalte basierend auf Ihren Einstellungen speichern und kategorisieren.
Warum sollten Sie Empfehlungssysteme verwenden?
Mit einem Empfehlungssystem können Sie einfacher nach Inhalten suchen.
Außerdem hilft ein hervorragendes Empfehlungssystem Nutzern, Dinge zu finden, die sie alleine nicht erwartet hätten.
Sie glauben, dass Sie ML auf alles verteilen müssen.
Es mag so erscheinen, aber in Wirklichkeit gibt es viel bessere Gründe, ML zu verwenden.
Sie möchten Nutzer auf gesponserte Elemente weiterleiten.
Das ist kein guter Grund, eine ML-Lösung zu verwenden.
Was sind die Hauptkomponenten eines Empfehlungssystems?
Generierung, Bewertung und Neubewertung von Kandidaten
Gut gemacht! Dies sind die drei Hauptkomponenten jedes Empfehlungssystems.
Einbettungs-, Ähnlichkeitsmesswerte und Bereitstellung
Diese Elemente beziehen sich auf Empfehlungssysteme, sind jedoch keine primären Komponenten.
Matrixfaktorisierung, DNN und Ranking
Das Reranking ist zwar eine Komponente, Matrixfaktorisierung und DNN sind hingegen mögliche Kandidatengeneratoren.
Sofern nicht anders angegeben, sind die Inhalte dieser Seite unter der Creative Commons Attribution 4.0 License und Codebeispiele unter der Apache 2.0 License lizenziert. Weitere Informationen finden Sie in den Websiterichtlinien von Google Developers. Java ist eine eingetragene Marke von Oracle und/oder seinen Partnern.
Zuletzt aktualisiert: 2024-07-26 (UTC).
[null,null,["Zuletzt aktualisiert: 2024-07-26 (UTC)."],[[["\u003cp\u003eRecommendation systems enhance content browsing and help users discover new items.\u003c/p\u003e\n"],["\u003cp\u003eRecommender systems are built with three primary components: candidate generation, scoring, and re-ranking.\u003c/p\u003e\n"],["\u003cp\u003eWhile machine learning is often associated with recommendation systems, using it solely to promote sponsored items is not recommended.\u003c/p\u003e\n"]]],[],null,["# Check your understanding\n\n\u003cbr /\u003e\n\nWhy would you use recommendation systems? \nHaving a recommendation engine makes browsing content easier. \nPlus, a great recommendation system helps users find things they wouldn't have thought to look for on their own. \nYou think you have to sprinkle ML on everything. \nIt might seem that way, but in reality, there are much better reasons to use ML. \nYou want to direct users to sponsored items. \nYikes, this is not a great reason to use any ML solution. \nWhat are the primary components of a recommender system? \ncandidate generation, scoring, and re-ranking \nNicely done! These are the three primary components of any recommendation system. \nembedding, similarity metrics, and serving \nThese elements are related to recommendation systems, but they are not primary components. \nmatrix factorization, DNN, and reranking \nWhile re-ranking is a component, matrix factorization and DNN are types of candidate generators."]]
