Menguji pemahaman Anda
Tetap teratur dengan koleksi
Simpan dan kategorikan konten berdasarkan preferensi Anda.
Mengapa Anda perlu menggunakan sistem rekomendasi?
Memiliki mesin pemberi saran akan mempermudah penjelajahan konten.
Selain itu, sistem rekomendasi yang bagus juga membantu pengguna menemukan hal yang belum pernah mereka cari sendiri.
Anda merasa harus menaburkan segala sesuatu di ML.
Mungkin seperti itu, tetapi pada kenyataannya, ada alasan yang jauh lebih baik untuk menggunakan ML.
Anda ingin mengarahkan pengguna ke item bersponsor.
Astaga, ini bukan alasan yang bagus untuk menggunakan solusi ML apa pun.
Apa saja komponen utama sistem pemberi rekomendasi?
pembuatan, penskoran, dan peringkat ulang kandidat
Selamat! Ini adalah tiga komponen utama dari setiap sistem rekomendasi.
penyematan, metrik kesamaan, dan penayangan
Elemen ini terkait dengan sistem rekomendasi, tetapi bukan merupakan komponen utama.
faktorisasi matriks, DNN, dan pengurutan ulang
Meskipun peringkat ulang adalah komponen, faktorisasi matriks dan DNN adalah jenis
generator kandidat.
Kecuali dinyatakan lain, konten di halaman ini dilisensikan berdasarkan Lisensi Creative Commons Attribution 4.0, sedangkan contoh kode dilisensikan berdasarkan Lisensi Apache 2.0. Untuk mengetahui informasi selengkapnya, lihat Kebijakan Situs Google Developers. Java adalah merek dagang terdaftar dari Oracle dan/atau afiliasinya.
Terakhir diperbarui pada 2024-07-26 UTC.
[null,null,["Terakhir diperbarui pada 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."]]
