ملخّص الدورة التدريبية
تنظيم صفحاتك في مجموعات
يمكنك حفظ المحتوى وتصنيفه حسب إعداداتك المفضّلة.
من المفترض أن تكون الآن على دراية بكيفية تنفيذ ما يلي:
- وصف الغرض من أنظمة التوصية
- شرح مكوّنات نظام الاقتراحات، بما في ذلك
إنشاء الاقتراحات وتقييمها وإعادة ترتيبها
- استخدِم عمليات التضمين لتمثيل العناصر والاستعلامات.
- التمييز بين الفلترة المستندة إلى المحتوى والتصفية
التعاونية
- وصف كيفية استخدام تحليل المصفوفات في أنظمة الاقتراحات
- توضيح كيفية قدرة الشبكات العصبية العميقة على التغلب على بعض القيود
لتقسيم المصفوفات
- وصف نهج استرجاع وتقييم وإعادة ترتيب لإنشاء
نظام اقتراحات
إنّ محتوى هذه الصفحة مرخّص بموجب ترخيص Creative Commons Attribution 4.0 ما لم يُنصّ على خلاف ذلك، ونماذج الرموز مرخّصة بموجب ترخيص Apache 2.0. للاطّلاع على التفاصيل، يُرجى مراجعة سياسات موقع Google Developers. إنّ Java هي علامة تجارية مسجَّلة لشركة Oracle و/أو شركائها التابعين.
تاريخ التعديل الأخير: 2025-01-13 (حسب التوقيت العالمي المتفَّق عليه)
[null,null,["تاريخ التعديل الأخير: 2025-01-13 (حسب التوقيت العالمي المتفَّق عليه)"],[[["\u003cp\u003eRecommendation systems predict which items a user will like based on their past behavior and preferences.\u003c/p\u003e\n"],["\u003cp\u003eThese systems use a multi-stage process: identifying potential items (candidate generation), evaluating their relevance (scoring), and refining the order of presentation (re-ranking).\u003c/p\u003e\n"],["\u003cp\u003eEmbeddings play a key role in representing items and user queries, facilitating comparisons for recommendations.\u003c/p\u003e\n"],["\u003cp\u003eTwo primary approaches for recommendation are content-based filtering (using item features) and collaborative filtering (using user similarities).\u003c/p\u003e\n"],["\u003cp\u003eDeep learning techniques enhance traditional methods like matrix factorization, enabling more complex and accurate recommendations.\u003c/p\u003e\n"]]],[],null,["# Course summary\n\n\u003cbr /\u003e\n\nYou should now know how to do the following:\n\n- Describe the purpose of recommendation systems.\n- Explain the components of a recommendation system including candidate generation, scoring, and re-ranking.\n- Use embeddings to represent items and queries.\n- Distinguish between content-based filtering and collaborative filtering.\n- Describe how matrix factorization can be used in recommendation systems.\n- Explain how deep neural networks can overcome some of the limitations of matrix factorization.\n- Describe a retrieval, scoring, re-ranking approach to building a recommendation system."]]
