あなたは毎日新商品が追加され、常に商品ラインナップが変化している大手小売企業で働いていると想像してください。なぜ、あなたのデータに対するレコメンドにコンテンツベースのモデルが良い選択肢になり得るのでしょうか？
この演習はコースの一部です
理論を実践に変える、インタラクティブな演習のひとつをお試しください
レコメンデーションエンジンはどのような課題を解決し、どのようなデータに適しているのでしょうか。限られたデータからでも得られる有益な示唆を見極め、自分自身のレコメンデーションを作成する方法を学びます。
アイテムの属性を使ってどのようにレコメンドを行うかを学びます。カテゴリデータやテキストデータの両方で、アイテム同士の価値ある比較を作成します。ユーザーの過去の嗜好に基づいてユーザープロファイルを生成し、新しいアイテムをおすすめできるようにします。
現在の演習
似た嗜好を持つ他のユーザーを見つけることで、新たにレコメンドすべきアイテムを発見します。ユーザーベースとアイテムベースのレコメンデーションを学び、どの文脈で使い分けるべきかを理解します。k近傍法モデルを使って集合知を活用し、まだ見ていないアイテムに対するユーザーの評価を予測します。
実データセットの疎性がレコメンデーションに与える影響を理解します。行列分解の力を活用して疎性に対処しましょう。潜在特徴の有用性を探り、データ理解を深めます。最後に、学んだ各アプローチをどのように検証するかを学び、モデルを実際に評価します。
