Testez vos connaissances
Pourquoi utiliser des systèmes de recommandation ?
Vous pensez qu'il faut étaler le ML sur tout.
Cela peut sembler le cas, mais en réalité, il existe de bien meilleures raisons d'utiliser le ML.
Un moteur de recommandations facilite la navigation dans le contenu.
De plus, un excellent système de recommandation aide les utilisateurs à trouver des produits qu'ils n'auraient pas envisagé de rechercher par eux-mêmes.
Vous souhaitez rediriger les utilisateurs vers des éléments sponsorisés.
Ce n'est pas une bonne raison d'utiliser une solution de ML.
Quels sont les principaux composants d'un système de recommandation ?
représentation vectorielle continue, métriques de similarité et inférence
Ces éléments sont liés aux systèmes de recommandation, mais ne sont pas des composants principaux.
factorisation matricielle, DNN et reclassement
Bien que le reclassement soit un composant, la factorisation matricielle et le DNN sont des types de générateurs de candidats.
génération, évaluation et reclassement des candidats
Bravo ! Il s'agit des trois principaux composants de tout système de recommandation.
Sauf indication contraire, le contenu de cette page est régi par une licence Creative Commons Attribution 4.0, et les échantillons de code sont régis par une licence Apache 2.0. Pour en savoir plus, consultez les Règles du site Google Developers. Java est une marque déposée d'Oracle et/ou de ses sociétés affiliées.
Dernière mise à jour le 2024/07/26 (UTC).
[null,null,["Dernière mise à jour le 2024/07/26 (UTC)."],[[["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."]]],[]]
