추천 엔진을 구축할 때 무엇을 고려해야 합니까?

Question

나는 책을 읽었다 집단지성 프로그래밍 그리고 그것이 매력적이라는 것을 알았습니다.저는 최근 Amazon이 자사 시스템에 대한 더 나은 추천 엔진을 마련하기 위해 전 세계에 게시한 과제에 대해 들었습니다.

승자는 입력되는 정보의 양을 제한하여 최고의 알고리즘을 생성한 것으로 보입니다.

첫 번째 경험 법칙으로 내 생각에는 ..."퍼지 알고리즘에 관해서는 더 많은 정보가 반드시 더 나은 것은 아닙니다."

주관적이라는 것은 알지만 궁극적으로는 측정 가능한 것입니다(추천에 대한 클릭 수).

요즘 우리 대부분은 웹을 다루고 있으며 검색은 추천의 한 형태로 간주될 수 있습니다.나는 이것에 대한 다른 사람들의 아이디어를 높이 평가하는 유일한 사람이 아닐 것이라고 생각합니다.

간단히 말해서, "추천을 구축하는 가장 좋은 방법은 무엇입니까?"

Answer 1

사용자에 대한 정보가 없는 경우가 아니면 "전반적인 인기도"를 사용하고 싶지 않습니다.대신, 이 사용자를 유사한 사용자와 그에 따라 가중치를 정렬하려고 합니다.

바로 이것이다 베이지안 추론 하다.영어로 다른 사람의 평가를 통해 당신이 어떤 것을 좋아할 전반적인 확률(평균 평가)을 조정하는 것을 의미합니다. 일반적으로 당신의 방식으로 투표하는 사람.

또 다른 조언이지만 이번에는 임시적으로 다음과 같습니다.나는 그들이 뭔가를 좋아한다면 거의 확실하게 좋아할 사람들이 있다는 것을 안다. ~ 아니다 좋아요.이 효과가 실제인지 상상인지는 모르겠지만 단순히 유사성으로 사람들을 뭉치는 대신 일종의 "부정적 효과"를 구축하는 것이 재미있을 수도 있습니다.

마지막으로 바로 이 분야를 전문으로 하는 회사가 있습니다. 센스어레이.소유자 (이안 클라크 ~의 프리넷 명성) 매우 접근하기 쉽습니다.그 사람에게 전화하면 내 이름을 사용할 수 있어요.

Answer 2

이 주제에 전념하는 컴퓨터 과학의 전체 연구 영역이 있습니다.나는 독서를 제안하고 싶다 일부 기사.

Answer 3

@Ricardo에 동의합니다.이 질문은 "시스템을 최적화하는 가장 좋은 방법은 무엇입니까?"와 같이 너무 광범위합니다.

거의 모든 기존 추천 엔진의 공통된 특징 중 하나는 최종 추천이 특정 수의 행렬과 벡터를 곱하는 것으로 귀결된다는 것입니다.예를 들어 사용자 간의 근접성 가중치를 포함하는 행렬에 항목 평가 벡터를 곱합니다.

(물론 대부분의 벡터가 매우 희박해질 수 있도록 준비해야 합니다!)

@Allain에게는 내 답변이 너무 늦었지만 검색을 통해 이 질문을 찾는 다른 사용자에게는 PM을 보내서 보다 구체적인 질문을 하시면 반드시 답변해 드리겠습니다.

(저는 추천엔진을 전문적으로 디자인합니다.)

Answer 4

@Lao Tzu님, 동의합니다.

나에 따르면 추천 엔진은 다음과 같이 구성됩니다.

• 상황 인식 시스템에서 제공되는 상황 입력(모든 데이터 기록)
• 가장 명백한 것을 필터링하는 논리적 추론
• 컨텍스트 입력을 기반으로 일정 기간 동안 주관적인 데이터를 개선하는 전문가 시스템
• 이전 행동(신념, 욕구, 의도)의 가중합을 기반으로 근접성에 가까운 의사결정을 내리기 위한 확률적 추론.

추신이런 추천 엔진을 만들었습니다.