درک خود را بررسی کنید
چرا از سیستم های توصیه استفاده می کنید؟
داشتن یک موتور توصیه، مرور محتوا را آسان‌تر می‌کند.
به علاوه، یک سیستم توصیه عالی به کاربران کمک می‌کند چیزهایی را پیدا کنند که فکرش را هم نمی‌کردند خودشان به دنبال آن بگردند.
شما می خواهید کاربران را به موارد حمایت شده هدایت کنید.
بله، این دلیل خوبی برای استفاده از هر راه حل ML نیست.
فکر می کنید باید ML را روی همه چیز بپاشید.
ممکن است اینطور به نظر برسد، اما در واقعیت، دلایل بسیار بهتری برای استفاده از ML وجود دارد.
اجزای اصلی یک سیستم توصیه گر چیست؟
فاکتورسازی ماتریس، DNN و رتبه بندی مجدد
در حالی که رتبه بندی مجدد یک جزء است، فاکتورسازی ماتریس و DNN انواعی از مولدهای نامزد هستند.
ایجاد نامزد، امتیازدهی و رتبه بندی مجدد
به خوبی انجام شد! اینها سه جزء اصلی هر سیستم توصیه هستند.
جاسازی، معیارهای شباهت، و سرویس دهی
این عناصر به سیستم های توصیه مرتبط هستند، اما جزء اصلی نیستند.
جز در مواردی که غیر از این ذکر شده باشد،محتوای این صفحه تحت مجوز Creative Commons Attribution 4.0 License است. نمونه کدها نیز دارای مجوز Apache 2.0 License است. برای اطلاع از جزئیات، به خطمشی‌های سایت Google Developers مراجعه کنید. جاوا علامت تجاری ثبت‌شده Oracle و/یا شرکت‌های وابسته به آن است.
تاریخ آخرین به‌روزرسانی 2024-07-27 به‌وقت ساعت هماهنگ جهانی.
[null,null,["تاریخ آخرین به‌روزرسانی 2024-07-27 به‌وقت ساعت هماهنگ جهانی."],[[["Recommendation systems enhance content browsing and help users discover new items."],["Recommender systems are built with three primary components: candidate generation, scoring, and re-ranking."],["While machine learning is often associated with recommendation systems, using it solely to promote sponsored items is not recommended."]]],[]]
