Resumen del curso
Ahora deberías saber hacer lo siguiente:
- Describe el propósito de los sistemas de recomendación.
- Explica los componentes de un sistema de recomendación, incluida la generación de candidatos, la puntuación y la clasificación nuevamente.
- Usa incorporaciones para representar elementos y consultas.
- Distingue entre el filtrado basado en el contenido y el filtrado colaborativo.
- Describe cómo se puede usar la factorización de matrices en los sistemas de recomendación.
- Explica cómo las redes neuronales profundas pueden superar algunas de las limitaciones de la factorización de matrices.
- Describir un enfoque de recuperación, puntuación y clasificación para compilar un sistema de recomendaciones
Salvo que se indique lo contrario, el contenido de esta página está sujeto a la licencia Atribución 4.0 de Creative Commons, y los ejemplos de código están sujetos a la licencia Apache 2.0. Para obtener más información, consulta las políticas del sitio de Google Developers. Java es una marca registrada de Oracle o sus afiliados.
Última actualización: 2025-01-13 (UTC)
[null,null,["Última actualización: 2025-01-13 (UTC)"],[[["Recommendation systems predict which items a user will like based on their past behavior and preferences."],["These systems use a multi-stage process: identifying potential items (candidate generation), evaluating their relevance (scoring), and refining the order of presentation (re-ranking)."],["Embeddings play a key role in representing items and user queries, facilitating comparisons for recommendations."],["Two primary approaches for recommendation are content-based filtering (using item features) and collaborative filtering (using user similarities)."],["Deep learning techniques enhance traditional methods like matrix factorization, enabling more complex and accurate recommendations."]]],[]]