Comprueba tus conocimientos
Organiza tus páginas con colecciones
Guarda y categoriza el contenido según tus preferencias.
¿Por qué usarías sistemas de recomendaciones?
Tener un motor de recomendaciones facilita la navegación por el contenido.
Además, un sistema de recomendación excelente ayuda a los usuarios a encontrar elementos que no hubiesen pensado que quisieran buscar por su cuenta.
Crees que tienes que esparcir AA en todo.
Puede parecer de esa manera, pero en realidad, hay mejores motivos para usar el AA.
Desea dirigir a los usuarios a elementos patrocinados.
Este no es un buen motivo para usar una solución de AA.
¿Cuáles son los componentes principales de un sistema de recomendación?
generación, puntuación y reclasificación de candidatos
¡Buen trabajo! Estos son los tres componentes principales de cualquier sistema de recomendación.
incorporación, métricas de similitud y publicación
Estos elementos están relacionados con los sistemas de recomendación, pero no son componentes principales.
factorización de matrices, DNN y reclasificación
Si bien la reclasificación es un componente, la factorización de matrices y la DNN son tipos de generadores de candidatos.
Salvo que se indique lo contrario, el contenido de esta página está sujeto a la licencia Atribución 4.0 de Creative Commons, y los ejemplos de código están sujetos a la licencia Apache 2.0. Para obtener más información, consulta las políticas del sitio de Google Developers. Java es una marca registrada de Oracle o sus afiliados.
Última actualización: 2024-07-26 (UTC)
[null,null,["Última actualización: 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."]]
