Testez vos connaissances
Restez organisé à l'aide des collections
Enregistrez et classez les contenus selon vos préférences.
Pourquoi utiliser des systèmes de recommandation ?
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 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.
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 ?
génération, évaluation et reclassement des candidats
Bravo ! Il s'agit des trois principaux composants de tout 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.
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)."],[[["\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."]]
