Kurszusammenfassung
Mit Sammlungen den Überblick behalten
Sie können Inhalte basierend auf Ihren Einstellungen speichern und kategorisieren.
Sie sollten jetzt Folgendes können:
- Beschreiben Sie den Zweck von Empfehlungssystemen.
- Erläutern Sie die Komponenten eines Empfehlungssystems, einschließlich der Kandidatengenerierung, -bewertung und -neubewertung.
- Verwenden Sie Einbettungen, um Elemente und Abfragen darzustellen.
- Inhalte und Nutzerverhalten unterscheiden
- Beschreiben Sie, wie die Matrixfaktorisierung in Empfehlungssystemen verwendet werden kann.
- Erläutern Sie, wie Deep-Learning-Netzwerke einige der Einschränkungen der Matrixfaktorisierung überwinden können.
- Beschreiben Sie einen Ansatz zum Abrufen, Bewerten und Neubewerten von Inhalten für die Erstellung eines Empfehlungssystems.
Sofern nicht anders angegeben, sind die Inhalte dieser Seite unter der Creative Commons Attribution 4.0 License und Codebeispiele unter der Apache 2.0 License lizenziert. Weitere Informationen finden Sie in den Websiterichtlinien von Google Developers. Java ist eine eingetragene Marke von Oracle und/oder seinen Partnern.
Zuletzt aktualisiert: 2025-01-13 (UTC).
[null,null,["Zuletzt aktualisiert: 2025-01-13 (UTC)."],[[["\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."]]
