推荐系统：它们的工作原理和实际示例

[account_disabled]

您可以在线购买或只是浏览产品并将其放入购物车。不久之后，您就会收到根据您所看到的内容或其他类似用户所看到的内容弹出的智能推荐。这些建议很具体，可以帮助您进行购买并了解您需要购买什么。 这些是称为推荐系统的机器学习系统。它们无处不在：在线购物平台、音频和音乐流媒体系统、社交网络等。每天我们都会看到更多来自其他类型企业的经理希望开发此类应用程序以提高销售额。 因此，投资于了解这个主题就是投资于你作为数据科学家的职业生涯。如果您想了解如何创建推荐系统，请首先了解它的工作原理。关注并找出答案。 什么是推荐算法？ 推荐系统或推荐算法是可以在概率预测人们会喜欢某事的帮助下向人们推荐某事的应用程序。它涉及深入分析，了解数据之间的模式、相关性，甚至数据库中变量之间的距离。 一般来说，这种类型的智能算法是基于数据库的描述性视图以无监督的方式开发的。



换句话说，数据科学家将一组没有预定义输出的数据传递给系统。目标是等待系统学习并提取现有的内部模式以生成输出。 我们有多种方法来实施推荐应用程序。其中三个是：先验关联规则算法、协同过滤和内容过滤。 先验算法纯粹基于数据库中的统计频率计算，并借助置信度和支持度等变量。评估某些元素在库中一起出现的频率，以创建一些满足定义标准的固定规则。因此，根据这些规则，可以提出建议。 先验的一个典型案例是在超市购 突尼斯 手机号码 买的产品。例如，在分析数据集时，很明显，购买咖啡的人也会购买牛奶。因此，在一定程度的确定性下，可以说下一个进入超市购买咖啡的人会购买牛奶。 协同过滤是一种更现代的方法，甚至是市场上此类应用程序使用的主要方法。它包括分析用户之间的相似性，从而根据最相似的用户确定推荐。逻辑如下：事实证明，A 和 B 很相似。如果 A 喜欢产品 X，那么我们可以得出结论，B 也可能喜欢。







确定相似度的标准通常是通过用户 A 的历史记录以及与用户 B 相关的欧氏距离的计算来定义的，用户 B 的特征作为推荐系统的输入。例如，在基于评价评分的推荐中，通过用户对每个项目的评分来计算欧氏距离，从而得到相似度值。 当新用户C到达接受建议时，系统询问：“根据C的数据，距离最近的用户是谁？”现在，如果是 A，那么应用程序只需向 C 推荐 A 喜欢的内容。 最后，我们有基于内容的过滤。它根据相似的特征对产品进行分组，例如书籍或音乐的流派。因此，推荐是基于这样的：谁喜欢类型 A 的项目 X，谁也喜欢类型 A 的 Y。协作的区别在于关注项目及其类别。 推荐系统示例 现在，让我们通过实际示例更好地了解系统如何工作。 Netflix Netflix的推荐模式很有名。每当一个人进入该平台时，就会看到一些推荐的电影和连续剧。为了得出这些建议，该公司的系统使用有关观看历史、评分、观看时间、观看时间和使用设备的数据。