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



17.08.2017

24 porty i PoE

NETGEAR GS724TPv2
11.08.2017

Z helem

WD Red / Red Pro
08.08.2017

Kontener jako usługa

SUSE CaaS Platform
03.08.2017

Natywna obsługa kontenerów

Red Hat OpenShift Online
28.07.2017

Luksusowa hybryda

HP Spectre x2
25.07.2017

Nowy napęd SSD

KC1000 NVMe PCIe
21.07.2017

Rekord świata

Lenovo x3950 X6
18.07.2017

Brightness Intellgence Plus

BenQ EW2770QZ
14.07.2017

Poza pasmem

Opengear ACM7000

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"