Ringkasan kursus
Sekarang Anda sudah tahu cara melakukan hal berikut:
- Jelaskan tujuan sistem rekomendasi.
- Jelaskan komponen sistem rekomendasi, termasuk
pembuatan kandidat, penskoran, dan pemeringkatan ulang.
- Gunakan penyematan untuk merepresentasikan item dan kueri.
- Membedakan antara pemfilteran berbasis konten dan pemfilteran
kolaboratif.
- Jelaskan cara faktorisasi matriks dapat digunakan dalam sistem rekomendasi.
- Jelaskan bagaimana deep neural network dapat mengatasi beberapa batasan
faktorisasi matriks.
- Jelaskan pendekatan pengambilan, penskoran, dan pemeringkatan ulang untuk membangun
sistem rekomendasi.
Kecuali dinyatakan lain, konten di halaman ini dilisensikan berdasarkan Lisensi Creative Commons Attribution 4.0, sedangkan contoh kode dilisensikan berdasarkan Lisensi Apache 2.0. Untuk mengetahui informasi selengkapnya, lihat Kebijakan Situs Google Developers. Java adalah merek dagang terdaftar dari Oracle dan/atau afiliasinya.
Terakhir diperbarui pada 2025-01-13 UTC.
[null,null,["Terakhir diperbarui pada 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."]]],[]]