在上一個練習中,你比較了以使用者為基礎和以物件為基礎的模型。兩者都能產生可用的結果,但為什麼要選其中一種並不明顯。
提醒一下:以使用者為基礎的協同過濾,會找出與目標使用者相似的其他使用者,並推薦這些相似使用者喜歡的項目。以物件為基礎的協同過濾,會找出與目標使用者喜歡的項目相似的其他項目,然後推薦那些項目。
兩者各有用途,最佳選擇取決於情境。能辨識何時該用哪一種,是很有價值的技能。
本練習屬於課程
將理論付諸實踐,立即體驗我們的互動練習
推薦引擎是為了解決哪些問題?哪些資料最適合用來建置它們?辨識即使在資料有限時也能提出的有洞見的推薦,並學會如何建立自己的推薦結果。
了解如何利用項目的屬性來產生推薦。善用類別型與文字資料,建立有價值的項目比較。根據使用者過去偏好生成使用者輪廓,進而推薦新項目。
透過尋找品味相近的他人,發掘可推薦給使用者的新項目。學習製作以使用者為基礎與以項目為基礎的推薦,以及各自適用的情境。使用 k-nearest neighbors 模型,匯聚群體智慧,預測某人對尚未接觸的項目的評分。
當前練習
理解真實世界資料集的稀疏性如何影響你的推薦。運用矩陣分解的威力來處理這種稀疏性。探索潛在特徵的價值,並用它們更深入理解你的資料。最後,學會如何驗證你所學到的各種方法,將這些模型實際拿來檢驗。