Что следует учитывать при создании механизма рекомендаций?

Я прочитал книгу Программирование коллективного интеллекта и нашел его увлекательным. Недавно я слышал о том, что Amazon отправил в мир, чтобы придумать лучшую систему рекомендаций для своей системы.

Победитель, по-видимому, создал лучший алгоритм, ограничив количество информации, которое ему было подано.

Как первое эмпирическое правило, я думаю... " Дополнительная информация не всегда лучше, если речь идет о нечетких алгоритмах.

Я знаю это субъективно, но в конечном итоге это измеримая вещь (клики в ответ на рекомендации).

Так как большинство из нас работает с сетью в эти дни, и поиск можно рассматривать как форму рекомендации... Я подозреваю, что я не единственный, кто бы оценил идеи других людей по этому поводу.

Вкратце, "Каков наилучший способ создания рекомендации?"

Ответ 1

Вы не хотите использовать "общую популярность", если у вас нет информации о пользователе. Вместо этого вы хотите соответствующим образом выровнять этого пользователя с похожими пользователями и весом.

Это именно то, что делает байесовский вывод. На английском языке это означает корректировку общей вероятности того, что вам что-то понравится (средний рейтинг) с рейтингами других людей, которые обычно проголосуют и за вас.

Еще один совет, но на этот раз ad hoc: я нахожу, что есть люди, где, если им нравится что-то, мне почти наверняка не понравится. Я не знаю, действительно ли этот эффект реальный или воображаемый, но может быть интересно создать своего рода "негативный эффект" вместо того, чтобы просто сбивать людей по подобию.

Наконец, существует компания, специализирующаяся именно на этом SenseArray. Владелец (Ян Кларк freenet fame) очень доступен, Вы можете использовать мое имя, если вы его вызовете.

Ответ 2

В области информатики, посвященной этой теме, есть целая область исследований. Я бы предложил прочитать несколько статей.

Ответ 3

Согласитесь с @Ricardo. Этот вопрос слишком широк, например, "Какой лучший способ оптимизации системы?"

Одной из распространенных особенностей почти всех существующих механизмов рекомендаций является то, что окончательная рекомендация сводится к умножению некоторого количества матриц и векторов. Например, умножьте матрицу, содержащую весовые коэффициенты близости между пользователями по вектору оценок позиций.

(Конечно, вы должны быть готовы, чтобы большая часть ваших векторов была супер разреженной!)

Мой ответ наверняка слишком поздно для @Allain, но для других пользователей, которые находят этот вопрос через поиск - пришлите мне премьер-министра и задайте более конкретный вопрос, и я обязательно отвечу.

(Я профессионально проектирую рекомендуемые двигатели.)

Ответ 4

@Лао Цзы, я согласен с тобой.

По моим оценкам, двигатели рекомендаций состоят из:

Контекстный вход, подаваемый из контекстно-зависимых систем (регистрация всех ваших данных)

Логическое обоснование фильтрации наиболее очевидных

Экспертные системы, которые улучшают ваши субъективные данные в течение периода времени на основе контекстных вводов и

Вероятностное обоснование принятия решений близко к близости на основе взвешенной суммы предыдущих действий (убеждений, желаний и намерений).

P.S. Я сделал такой механизм рекомендаций.