링크 1 : PythonLink 2에서 자신의 추천 시스템 구현 : 추천 시스템에 소개 : 서프라이즈를 사용하여 공동 필터링, 간단한 추천 시스템을위한 파이썬 라이브러리, 항목 항목 공동 작업 필터링을 수행 할 수 있습니다. 더 이상 기한없이 추천 시스템에 바로 다이빙할 수 있습니다 및 간단한 기술을 사용하여 구축하는 방법 (협업 필터링) 더 읽기 전에, 나는 당신이 공동 작업 필터링 및 응용 프로그램의 기본 이해가 희망 추천 시스템. 그렇지 않은 경우, 나는 강력하게 USF에서 동료 학생에 의해 작성 된 아래 블로그 게시물을 통해 이동하는 것이 좋습니다 : 시카르 굽타 우리의 데이터 세트에서, 각 사용자와 영화는 ID 번호로 표시됩니다. 지금 모델의 출력을 보려면 각 사용자에 대한 동영상 아이디 목록을 받게 됩니다. 우리가 쉽게 해석 할 수있는 결과가 아닙니다. 따라서 두 번째 도우미 메서드 read_item_name을 사용 하 여 각 동영상의 ID를 해당 이름에 매핑 하는 사전을 만듭니다. 이 메서드는 Suprise 라이브러리의 Github 리포지토리의 예제 중 하나를 기반으로 합니다. 많은 기계 학습 기술과 마찬가지로 추천 시스템은 사용자의 과거 동작을 기반으로 예측을 합니다. 특히 과거 경험을 기반으로 한 항목 집합에 대한 사용자 기본 설정을 예측하는 것입니다.

추천 시스템을 구축하기 위해 가장 많이 사용할 수 있는 방법은 콘텐츠 기반 및 공동 작업 필터링입니다. 항목 항목 필터링 알고리즘은 사용자 등급에서 가져온 제품 연결을 분석합니다. 그런 다음 사용자는 개별 제품을 평가하는 방법에 따라 권장 사항을 볼 수 있습니다. 추천 시스템의 콜드 스타트 문제는 협업 필터링 시스템에서 일반적입니다. 따라서 사용자 공동 작업 필터링은 최상의 등급의 항목에 서비스를 제공하지 않습니다. 대신 비슷한 취향을 가진 다른 사람들의 클러스터에 가입하면 이전 선택에 따라 콘텐츠가 표시됩니다. 위에서 언급했듯이 공동 작업 필터링(CF)은 사용자의 과거 동작을 기반으로 하는 권장 사항의 평균입니다. CF에는 두 가지 범주가 있습니다: 이 블로그 게시물에서는 공동 작업 필터링의 첫 번째 접근 방식에 중점을 두고 콘텐츠 기반 권장 사항의 두 번째 접근 방식에 대해간략적으로 설명합니다. 이 게시물은 추천 시스템을 구현하려는 데이터 과학자, 엔지니어 및 제품 관리자를 위한 추천 시스템에 대한 일련의 블로그 게시물의 첫 번째 게시물입니다. 평소와 같이, 이 블로그 게시물에 대 한 코드는 다음 도미노 프로젝트에서 찾을 수 있습니다.

이 이야기에서 우리는 공동 필터링에 초점을 맞출 것이다 (나는 당신이 나중에 이유를 알려 드립니다, 계속 읽기) 추천 시스템은 정보 필터링 시스템의 유형입니다. 거대한 데이터 세트에서 그리면 시스템의 알고리즘이 정확한 사용자 환경 설정을 정확하게 파악할 수 있습니다. 사용자가 어떤 것을 좋아하는지 알게 되면 사용자에게 관련성이 있는 새로운 콘텐츠를 추천할 수 있습니다. 영화와 음악에서 로맨틱한 파트너에 이르기까지 모든 것이 마찬가지입니다. 콘텐츠 기반 필터링은 항목의 특성 또는 속성을 사용하여 권장 사항을 제공합니다. 특징 정보: fast.ai 협업 필터링 알고리즘을 사용하여 협업 필터링을 위한 심층 신경망을 만드는 단계는 종종 (1) 사용자의 적극적인 참여, (2) 사용자의 관심사를 표현하는 쉬운 방법 및 (3) 알고리즘을 필요로 합니다. 비슷한 관심사를 가진 사람들을 일치시키는 데 사용할 수 있습니다.