Проверьте свое понимание
Оптимизируйте свои подборки
Сохраняйте и классифицируйте контент в соответствии со своими настройками.
Зачем вам использовать рекомендательные системы?
Наличие механизма рекомендаций упрощает просмотр контента.
Кроме того, отличная система рекомендаций помогает пользователям находить то, что они и не подумали бы искать самостоятельно.
Вы думаете, что вам нужно посыпать ML на все.
Может так показаться, но на самом деле есть гораздо более весомые причины для использования ML.
Вы хотите направить пользователей к спонсируемым товарам.
Да, это не повод использовать какое-либо решение для машинного обучения.
Каковы основные компоненты рекомендательной системы?
генерация кандидатов, оценка и повторное ранжирование
Отлично сделано! Это три основных компонента любой рекомендательной системы.
встраивание, показатели сходства и обслуживание
Эти элементы связаны с рекомендательными системами, но не являются первичными компонентами.
матричная факторизация, DNN и переранжирование
В то время как переранжирование является компонентом, матричная факторизация и DNN являются типами генераторов-кандидатов.
Если не указано иное, контент на этой странице предоставляется по лицензии Creative Commons "С указанием авторства 4.0", а примеры кода – по лицензии Apache 2.0. Подробнее об этом написано в правилах сайта. Java – это зарегистрированный товарный знак корпорации Oracle и ее аффилированных лиц.
Последнее обновление: 2024-07-27 UTC.
[null,null,["Последнее обновление: 2024-07-27 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."]]