Wie kann ich eine Empfehlung Motor Kaltstart an?

Question

Ich bin neugierig, was sind die Methoden / nähert sich das „Kaltstart“ Problem zu überwinden, wo, wenn ein neuer Benutzer oder ein Element in dem System eintritt, wegen des Mangels an Informationen zu dieser neuen Einheit, so dass Empfehlung ist ein Problem.

Ich denke, kann eine Vorhersage basiert Empfehlung zu tun (wie Geschlecht, Nationalität und so weiter).

Answer 1

Vielleicht gibt es Zeiten, die Sie sollten nicht nur eine Empfehlung? „Nicht genügend Daten“ als eine jener Zeiten qualifizieren.

Ich sehe einfach nicht, wie Vorhersage Empfehlungen basierend auf „Geschlecht, Nationalität und so weiter“, um mehr als Klischees betragen werden.

IIRC, Orte wie Amazon bauten ihre Datenbanken für eine Weile, bevor Empfehlungen Ausrollen. Es ist nicht die Art von Sache, die Sie bekommen falsch wollen; es gibt viele Geschichten da draußen über unangemessene Empfehlungen basierend auf unzureichende Daten.

Answer 2

Sie können mittels Cold ein Empfehlungssystem starten.

Es gibt zwei Arten von Empfehlungssystemen; Collaborative Filtering und inhaltsbasierten. Inhalt-basierte Systeme verwenden Meta-Daten über die Dinge, die Sie empfehlen. Die Frage ist dann, was Meta-Daten sind wichtig? Der zweite Ansatz ist Collaborative Filtering, die nicht über die Meta-Daten schert, ist es nur verwendet, was Menschen taten oder sagten zu einem Artikel eine Empfehlung zu machen. Mit Collaborative Filtering müssen Sie nicht zu befürchten, welche Begriffe in den Meta-Daten wichtig sind. In der Tat brauchen Sie keine Meta-Daten, die Empfehlung zu machen. Das Problem mit dem Collaborative Filtering ist, dass Sie Daten benötigen. Bevor Sie genügend Daten haben, können Sie inhaltsbasierte Empfehlungen verwenden. Sie können Empfehlungen zur Verfügung stellen, die auf beiden Methoden basieren, und am Anfang haben 100% inhaltsbasierte, dann, wie Sie mehr Daten beginnen erhalten basierend auf Collaborative Filtering zu mischen. Das ist die Methode, die ich in der Vergangenheit verwendet habe.

Eine andere verbreitete Technik ist die inhaltsbasierte Teil als einfache Suchproblem zu behandeln. Sie haben soeben in Meta-Daten als Text oder Textkörper Ihres Dokuments dann indiziert Ihre Dokumente setzen. Sie können ohne das Schreiben von Code diese mit Lucene & Solr tun.

Wenn Sie wissen wollen, wie grundlegende Collaborative Filtering funktioniert, finden Sie in Kapitel 2 von "Programming Collective Intelligence" von Toby Segaran

Answer 3

Die Arbeit an diesem Problem selbst, aber dieses Papier von Microsoft auf Boltzmann-Maschinen sieht sich gelohnt: http : //research.microsoft.com/pubs/81783/gunawardana09__unified_approac_build_hybrid_recom_system.pdf

Answer 4

Dies wurde schon mehrmals gefragt, (natürlich, ich kann diese Fragen nicht jetzt finden: /, aber die allgemeine Schlussfolgerung war, es ist besser, solche Empfehlungen zu vermeiden In verschiedenen Teilen der gleichen Namen worls gehören zu unterschiedlichem Geschlecht, und so weiter. ...

Answer 5

Empfehlungen basierend auf „ähnliche Benützer mögen ...“ muss klar warten. Sie können Gutscheine oder andere Anreize zu Umfrageteilnehmer geben, wenn Sie absolut Prognosen zu tun, basierend auf Benutzer Ähnlichkeit begangen werden.

Es gibt zwei weitere Möglichkeiten, um eine Empfehlung kalten Motor zu starten.

1. Erstellen Sie ein Modell selbst.
2. Sie sich jetzt Ihre Lieferanten in den wichtigsten Informationen zu einem Skelettmodell zu füllen. (Auch kann $ Anreize erforderlich.)

Viele möglichen Gefahren in all diesen, bei denen es zu den gesunden Menschenverstand zu nennen.

Wie zu erwarten, gibt es kein hier kostenlos Mittagessen. Aber denken Sie es so: Recommendation Engines sind kein Business-Plan. Sie erhöhen lediglich den Business-Plan.

Answer 6

Es gibt drei Dinge benötigt, um den Kaltstart Problem zu beheben:

1. Die Daten müssen so profiliert sind, dass Sie viele verschiedene Funktionen haben (mit Produktdaten der Begriff für ‚Feature‘ verwendet wird, ist oft als ‚Klassifikation Facetten‘). Wenn Sie nicht richtig Daten Profil, wie es in der Tür kommt, wird Ihre Empfehlung Motor bleiben ‚kalt‘, wie es nichts hat, mit denen Empfehlungen zu klassifizieren.

2. WICHTIGSTE: Sie benötigen eine Benutzer-Feedback-Schleife, mit den Benutzer den Empfehlungen des Personalisierungsmotors Vorschläge überprüfen können. Zum Beispiel, Ja / Nein-Taste für 'War dieser Vorschlag hilfreich? sollte in einer Trainingsdatenmenge (das heißt die "Empfehlen Sie Trainingsdaten) zu einem anderen Trainingsdaten (das heißt nicht empfehlen Trainingsdatenmenge).

eine Überprüfung der Teilnehmer Warteschlange

3. Das verwendete Modell für (empfohlen / nicht empfohlen) Vorschläge sollten nie als one-size-fits-all-Empfehlung berücksichtigt werden. Neben dem Produkt oder eine Dienstleistung zu klassifizieren zu einem Kunden vorzuschlagen, wie die Firma stuft jede spezifische Kunden zu zählt. Wenn ordnungsgemäß funktionieren soll man erwarten, dass die Kunden mit unterschiedlichen Funktionen werden verschiedene Vorschläge für erhalten (empfohlen / nicht empfehlen) in einer bestimmten Situation. Das wäre der 'Personalisierung' Teil der Personalisierung Motoren.