Strona korzysta z plików cookies w celu realizacji usług i zgodnie z Polityką Plików Cookies.



18.04.2018

Dla biznesu

Monitory AOC 6x
13.04.2018

Ochrona sieci przemysłowych

Stormshield SNi40
09.04.2018

Disaster recovery

Veeam Availability Orchestrator
05.04.2018

Pamięci masowe i SDS

IBM Spectrum Storage
27.03.2018

Wydajna podstawa

Asus RS700-E9, Asus WS C621E SAGE
22.03.2018

Seria dla profesjonalistów

Toshiba E-Generation
21.03.2018

Odzyskiwanie plików - nowa...

Zachowanie bezpieczeństwa plików jest dla wielu przedsiębiorców priorytetem. Z myślą o...
19.03.2018

Superszybkie SSD

Samsung SZ985 Z-SSD
15.03.2018

EPYC w serwerach

Dell EMC PowerEdge

Uczenie maszynowe – modele rekomendujące

Data publikacji: 21-09-2015 Autor: Marcin Szeliga
Widoczna w lewym dolnym rogu...

Zadaniem modeli rekomendujących jest znalezienie, na podstawie cech przedmiotów i przeszłych zachowań klientów, przedmiotów, które z największym prawdopodobieństwem zainteresują daną osobę. Przedstawiamy zasadę działania tego typu mechanizmów na przykładzie hybrydowego modelu rekomendującego restauracje.

Modele rekomendujące są powszechnie używane m.in. do wybierania wyświetlanych reklam w serwisach społecznościach, do sugerowania produktów w e-sklepach (takich jak Amazon) oraz do wybierania płatnych odnośników zwracanych przez wyszukiwarki internetowe. Artykuł przedstawia zasady działania modeli rekomendujących na przykładzie hybrydowego modelu rekomendującego restauracje. Podobnie jak w przypadku wcześniejszych artykułów dotyczących modeli uczenia maszynowego, opisywany przykład został stworzony w środowisku Azure ML.

> RÓŻNE SPOSOBY GENEROWANIA REKOMENDACJI

Zadaniem modelu rekomendującego jest uzupełnienie brakujących ocen – zauważmy, że jeżeli będziemy wiedzieli, jak dana osoba oceniłaby poszczególne restauracje, będziemy mogli zarekomendować jej te, które spodobałyby się danej osobie najbardziej. Najczęściej model zwraca rekomendacje uporządkowane malejąco względem obliczonej oceny, czyli jako pierwsza zwrócona zostanie restauracja, którą dany użytkownik oceniłby najwyżej. W zrozumieniu rozwiązywanego problemu pomoże nam tabela 1.

Zadanie to można rozwiązać na trzy sposoby:

1. Metoda content-based filtering wymaga uzupełnienia danych źródłowych o cechy produktu, które mają wpływ na jego ocenę. Dodatkowo oprócz profilu produktów wykorzystane są w niej profile użytkowników (patrz tabela 2).
2. Metoda collaborative filtering opiera się na założeniu, że jeżeli kilka osób tak samo oceniło te same produkty, to prawdopodobnie ich oceny innych produktów również będą do siebie zbliżone. W przeciwieństwie do poprzedniej metody podejście to nie wymaga tworzenia i wypełniania wartościami listy atrybutów produktów.
3. Metoda hybrydowa łączy obie powyższe metody. Dostępny na platformie Azure Machine Learning moduł Matchbox Recommender jest właśnie przykładem rozwiązania hybrydowego, łączącego filtrowanie na podstawie cech z filtrowaniem wspólnym.

Pełna treść artykułu jest dostępna w papierowym wydaniu pisma.

.

Transmisje online zapewnia: StreamOnline

All rights reserved © 2013 Presscom / Miesięcznik "IT Professional"