Resumo do curso
Agora você sabe como fazer o seguinte:
- Descreva a finalidade dos sistemas de recomendação.
- Explique os componentes de um sistema de recomendação, incluindo
a geração de candidatos, a pontuação e a reclassificação.
- Use embeddings para representar itens e consultas.
- Distinguir entre a filtragem com base no conteúdo e a filtragem
colaborativa.
- Descreva como a fatoração de matrizes pode ser usada em sistemas de
recomendação.
- Explique como as redes neurais profundas podem superar algumas das limitações
da fatoração de matrizes.
- Descreva uma abordagem de recuperação, pontuação e reclassificação para criar um
sistema de recomendação.
Exceto em caso de indicação contrária, o conteúdo desta página é licenciado de acordo com a Licença de atribuição 4.0 do Creative Commons, e as amostras de código são licenciadas de acordo com a Licença Apache 2.0. Para mais detalhes, consulte as políticas do site do Google Developers. Java é uma marca registrada da Oracle e/ou afiliadas.
Última atualização 2025-01-13 UTC.
[null,null,["Última atualização 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."]]],[]]
