Résumé du cours
Vous savez maintenant comment:
- Décrivez l'objectif des systèmes de recommandation.
- Expliquez les composants d'un système de recommandation, y compris la génération de candidats, l'évaluation et le reclassement.
- Utilisez des représentations vectorielles continues pour représenter les éléments et les requêtes.
- Distinguez le filtrage basé sur le contenu du filtrage collaboratif.
- Décrivez comment la factorisation matricielle peut être utilisée dans les systèmes de recommandation.
- Expliquez comment les réseaux de neurones profonds peuvent surmonter certaines des limites de la factorisation matricielle.
- Décrivez une approche de récupération, d'évaluation et de reclassement pour créer un système de recommandation.
Sauf indication contraire, le contenu de cette page est régi par une licence Creative Commons Attribution 4.0, et les échantillons de code sont régis par une licence Apache 2.0. Pour en savoir plus, consultez les Règles du site Google Developers. Java est une marque déposée d'Oracle et/ou de ses sociétés affiliées.
Dernière mise à jour le 2025/01/13 (UTC).
[null,null,["Dernière mise à jour le 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."]]],[]]
