درک خود را بررسی کنید
با مجموعه‌ها، منظم بمانید
ذخیره و طبقه‌بندی محتوا براساس اولویت‌های شما.
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.
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.
شما می خواهید کاربران را به موارد حمایت شده هدایت کنید.
بله، این دلیل خوبی برای استفاده از هر راه حل ML نیست.
اجزای اصلی یک سیستم توصیه گر چیست؟
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.
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.
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."],[[["\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."]]
