nestes dias, quer você olhe para um vídeo no YouTube, um filme no Netflix ou um produto na Amazon, você vai obter recomendações para mais coisas para ver, como ou comprar. Você pode agradecer o advento de algoritmos de aprendizagem de máquinas e sistemas de recomendação para este desenvolvimento.
os sistemas de Recommender são de longo alcance, então nós vamos zero em uma abordagem importante chamada filtragem colaborativa, que filtra a informação usando as interações e os dados coletados pelo sistema de outros usuários. É baseado na ideia de que as pessoas que concordaram na sua avaliação de certos itens são susceptíveis de concordar novamente no futuro.
uma Primer rápida em Sistemas de recomendação
um sistema de recomendação é uma subclasse de Filtragem de informação que procura prever a “classificação” ou “preferência” que um usuário irá dar um item, como um produto, filme, música, etc.
os sistemas de recomendação fornecem informação personalizada através da aprendizagem dos interesses do utilizador através de vestígios de interacção com esse utilizador. Assim como algoritmos de aprendizado de máquina, um sistema de recomendação faz uma previsão baseada nos comportamentos passados de um usuário. Especificamente, ele é projetado para prever a preferência do Usuário para um conjunto de itens com base na experiência.matematicamente, uma tarefa de recomendação deve ser:
- Conjunto de usuários (U)
- Conjunto de itens (I), que devem ser recomendados para U
- Aprender uma função baseada no usuário passado interação de dados que prevê a probabilidade do item I para U
Recommender systems são classificados em dois tipos, com base nos dados a ser utilizada para fazer inferências:
- com base no Conteúdo de filtragem, que usa atributos do item.
- filtragem colaborativa, que usa o comportamento do Usuário (interações), além de atributos de itens.alguns exemplos-chave de sistemas de recomendação no trabalho incluem:: recomendações sobre o produto na Amazon e noutros sítios de compras na Netflix O Que É filtragem colaborativa?
filtragem colaborativa filtra informação utilizando as interacções e os dados recolhidos pelo sistema junto de outros utilizadores. É baseado na ideia de que as pessoas que concordaram na sua avaliação de certos itens são susceptíveis de concordar novamente no futuro.
O conceito é simples: quando queremos encontrar um novo filme para assistir, muitas vezes pediremos recomendações aos nossos amigos. Naturalmente, temos maior confiança nas recomendações de amigos que compartilham gostos semelhantes aos nossos.
a maioria dos sistemas de filtragem colaborativa aplica a chamada técnica baseada no índice de similaridade. Na abordagem baseada na vizinhança, um número de usuários são selecionados com base em sua similaridade com o usuário ativo. Inferência para o usuário ativo é feita calculando uma média ponderada das classificações dos usuários selecionados.os sistemas de filtragem colaborativa concentram-se na relação entre utilizadores e itens. A similaridade dos itens é determinada pela similaridade das classificações desses itens pelos usuários que classificaram ambos os itens.
Existem duas classes de filtragem colaborativa:
- baseada no utilizador, que mede a semelhança entre os utilizadores-alvo e outros utilizadores.
- Item-based, which measures the similarity between the items that target users rate or interact with and other items.
filtragem colaborativa usando Python
métodos colaborativos são tipicamente trabalhados usando uma matriz de utilitários. A tarefa do modelo de recomendação é aprender uma função que prevê a utilidade do ajuste ou semelhança a cada usuário. A matriz de utilidade é tipicamente muito escassa, enorme e removeu valores.
nas matrizes seguintes, cada linha representa um usuário, enquanto as colunas correspondem a diferentes filmes por Pixar. A similaridade Cosina é o algoritmo mais simples necessário para encontrar a similaridade dos vetores. A última, que é a matriz de utilidade seguindo a primeira matriz, contém apenas dados parciais, que são necessários para prever a comparitude da classificação esperada pela” raiz ” que poderia ser dada pelo Usuário.
nas seguintes matrizes, cada linha representa um usuário, enquanto as colunas correspondem a filmes diferentes, exceto a última que registra a semelhança entre esse usuário e o usuário alvo. Cada célula representa a classificação que o usuário dá a esse filme.
cosine_similarity (p, q) = p.q
|p|.|q|
cosine_similarity(joe, beck) =
Quando um novo usuário se junta a plataforma, aplica-se o algoritmo mais simples que calcula o co-seno ou correlação semelhança de linhas (os usuários) ou colunas (filmes) e recomenda itens que são k-vizinhos mais próximos.
estas são muitas equações que podem lidar com a questão das medidas de semelhança, algumas incluem:
- Pearson semelhança
- de similaridade de Jaccard
- correlação de Spearman
- Significam diferenças de quadrados
- Proximidade de–impacto–popularidade semelhança
RelatedRead Mais Sobre a Ciência de Dados