現代社会におけるインターネットの急速な発展、人々は、「情報フィルタは」ただであることを人々の日常生活になってきた......情報、APPプッシュ、ホットニュース、情報の流れと効果的な広告の数十万人が毎日殺到していますまた、激しい市場環境での情報提供は、涅槃を目立ちます。
推奨されるシステムは、このような役割を果たしている、それはほとんどが欲しいものを見つける私たちを助けるために、一般的にはふるいのようなものです。ただし、推奨されるシステムは、ドアの多くの企業に高すぎる技術的しきい値とR＆D費です。推奨初のインテリジェント勧告の機械学習技術製品の発売に基づいて第四のパラダイム、この問題に対する有効な解決策とその技術的優位性のおかげで、パーソナライズされた勧告業界に焦点を当てたが、それは、36クリプトン、花びら、シェルや他のよく知られたメディアを務めています業界で広く賞賛され続けています。
次の記事では、まず知識推薦システムを説明するためのシステムをお勧めします、私は技術愛好家の推薦システム、より理解するために多くを持っていると思っています。まず、システムのワークフローの話をお勧めします。
1.情報収集相
このフェーズでは、ユーザが情報資源、ユーザーの行動やユーザーのアクセスを含ん属性、利用者の肖像画予測タスクを生成するために、ユーザーに関する情報を収集します。完全に確立したユーザーのみの肖像画、実行を開始する推薦システム。推奨されるシステムは、ユーザーに関する多くを知る必要があり、その結果は、ユーザーのために最初から合理的な推奨事項を提供することができます。
推薦システムは、入力の異なるタイプに依存し、例えば、最も直接的な明示的なフィードバック、すなわち、ユーザが直接明示的および暗黙的にも、することができ、関心、または暗黙的なフィードバックの内容を入力したユーザの行動を観察することによって間接的に推測すなわちユーザの好み混合フィードバックを得るためのフィードバックの組み合わせ。
eラーニングプラットフォームに、例えば、特定のユーザーに関連付けられているユーザの個人情報の肖像画のコレクションです。この情報は、ユーザの認知能力、知性、学習スタイル、利益と相互作用行動を含んでいます。ユーザーの肖像画は、典型的には、ユーザがモデルを構築するために必要な情報を取得する際に使用されます。言い換えれば、ユーザーは、大まかにユーザモデルを反映している肖像画。成功した推薦システムをしたいために、それはユーザの関心を特徴付ける能力に大きく依存します。正確な推薦結果を得るためには、正確なユーザーモデルが不可欠です。
1.1明示的なフィードバック
ウェブサイトには、通常、ユーザのユーザモデルを構築し、改善するために、ユーザーインターフェース上のコンテンツに評価を行うことをユーザーに促します。結果の推奨される精度は、ユーザー評価の数に依存します。ユーザーの評価より多くの、より正確な推薦結果。唯一の欠点は、明示的なフィードバックのユーザー評価の熱意に非常に依存しており、ユーザーは常に評価を行うことを望んでいないこと。しかし、対照的に、それによって顧客満足度を向上させる、従って、全体の推薦処理より透明と推薦システムの品質を知覚しやすくなり、より信頼性の高いデータを提供し、このステップで、ユーザの嗜好を取得するためにユーザーの行動からのフィードバックを表示含みません程度。
1.2暗黙のフィードバック
特定のページが滞在に別のモニターのユーザーの行動によって、サイトの背景は自動的に、そのような購入履歴、ナビゲーション履歴などのユーザーの関心の好みを、推測され、ユーザーは、リンク、ボタン、および電子メールの内容をクリックします。ユーザーの行動から暗黙のフィードバック推論のユーザー設定、ユーザー評価の負担を軽減。要求の少ないユーザーの暗黙の正のフィードバックの評価は、精度が低くなっています。
一部の人は考えてもありますが、暗黙のユーザフィードバックデータは、実際にはより客観的には、暗黙のフィードバックの場合には、ユーザーが公共のように反応することを期待する必要はありません、自己イメージを維持する必要はありませんされているので、データが提供さよりリアル。
1.3混合フィードバック
利点暗黙的および明示的フィードバックは、最高のパフォーマンスとリコメンデーションシステムを実現するためには不十分の両方を最小限に抑えるために、混合システムで組み合わせることができます。具体的には、暗黙のフィードバックデータは、データに明示的なフィードバックを確認する、または唯一の式で与えられる明示的なフィードバックをユーザが明示的に興味を持っていることができます。
2.アルゴリズムの学習フェーズ
この段階で、システムは学習アルゴリズム、得られたユーザフィードバックフィルタ段を通過し、ユーザ特徴を抽出します。このセクションの詳細については、今後の記事でご紹介します。
3.予測/推奨ステージ
この段階では、システムは、ユーザが好むかもしれないコンテンツの種類を予測します。このステップは、直接データセットに基づいていてもよい（ベース、またはモデルベースメモリ）情報収集フェーズで収集が達成され、また、バックグラウンドを介してユーザの行動を監視するために実施されてもよいです。
次の記事では、我々は、推奨フィルタ技術の詳細を説明しますので、ご期待ください。