Öğrendiklerinizi kontrol etme
Koleksiyonlar ile düzeninizi koruyun
İçeriği tercihlerinize göre kaydedin ve kategorilere ayırın.
Öneri sistemlerini neden kullanmalısınız?
Öneri motoruna sahip olmak içeriğe göz atmayı kolaylaştırır.
Ayrıca, harika bir öneri sistemi, kullanıcıların kendi başına aramayı düşünmeyecekleri şeyleri bulmalarına yardımcı olur.
Her şeyi makine öğrenimine sığdırman gerektiğini düşünüyorsun.
Öyle görünse de aslında makine öğrenimi kullanmak için çok daha iyi neden var.
Kullanıcıları sponsorlu öğelere yönlendirmek istiyorsunuz.
Tüh! Bu, hiçbir makine öğrenimi çözümünü kullanmak için iyi bir neden değil.
Öneri sisteminin temel bileşenleri nelerdir?
aday oluşturma, puanlama ve tekrar sıralama
Mükemmel! Bunlar, herhangi bir öneri sisteminin üç ana bileşenidir.
yerleştirme, benzerlik metrikleri ve yayınlama
Bu öğeler, öneri sistemleriyle ilgilidir ancak birincil bileşen değildir.
matrisi çarpanlara ayırma, DNN ve yeniden sıralama
Yeniden sıralama, bileşen olarak matrisi ölçeklendirme ve DNN'yi oluşturur.
Aksi belirtilmediği sürece bu sayfanın içeriği Creative Commons Atıf 4.0 Lisansı altında ve kod örnekleri Apache 2.0 Lisansı altında lisanslanmıştır. Ayrıntılı bilgi için Google Developers Site Politikaları'na göz atın. Java, Oracle ve/veya satış ortaklarının tescilli ticari markasıdır.
Son güncelleme tarihi: 2024-07-26 UTC.
[null,null,["Son güncelleme tarihi: 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."]]
