機器學習:推薦系統(tǒng)(一. 創(chuàng)建推薦系統(tǒng)的基礎知識)

The basic of making recommendations


目錄

  1. 什么是推薦系統(tǒng)
  2. 推薦系統(tǒng)可以用來干什么
  3. 使用推薦系統(tǒng)

1. 什么是推薦系統(tǒng)

推薦系統(tǒng)是一種計算機程序柳沙,通過預測用戶對每個事物的評價并向他們展示他們可能高度評價的其他事物虫啥,從而幫助用戶發(fā)現(xiàn)產(chǎn)品和內(nèi)容存筏。推薦系統(tǒng)無處不在型奥。如果您曾經(jīng)在亞馬遜上搜索過書籍或通過Facebook上的帖子進行瀏覽,你可能不知道你正在使用這些推薦系統(tǒng)剂公。
現(xiàn)在網(wǎng)上購物這么發(fā)達惫恼,消費者買個東西都挑花了眼,網(wǎng)購變成了一個力氣活纫雁, 沒有人有足夠的時間去搜尋每個產(chǎn)品。而推薦系統(tǒng)在幫助用戶查找他們關心的產(chǎn)品和內(nèi)容方面起著重要的作用倾哺,而用戶不必花費大量的時間和精力去挖掘他們不喜歡的東西轧邪。
在幕后,這些系統(tǒng)由推薦功能提供支持羞海。推薦功能獲取關于用戶的信息并預測用戶給予產(chǎn)品的評價忌愚。如果您可以在用戶看到產(chǎn)品之前預測用戶對產(chǎn)品的評價,那就非常牛掰了却邓。這意味著您可以向用戶展示他們最想要的東西硕糊,而不是讓他們把時間浪費在他們不關心的產(chǎn)品上。



想象一下腊徙,您正在瀏覽電子書简十,以便在您的電子書閱讀器上購買。在線書店知道你的過去的圖書購買記錄和你給他們的評分撬腾∶基于這些歷史信息,它試圖預測你將如何評價其庫中的每個產(chǎn)品民傻。(在用kindle的朋友應該有體會)

通過使用這些預測的評分胰默,書店會告訴你它認為你可能最喜歡的書。這些也是你最有可能購買的書籍漓踢。推薦系統(tǒng)增強了用戶體驗牵署,同時書店也賣了更多的書。

2. 推薦系統(tǒng)可以用來干什么

推薦系統(tǒng)有幾種不同的用途喧半。推薦系統(tǒng)最常見的用途是根據(jù)用戶的喜好來對產(chǎn)品進行排名奴迅。如果用戶正在瀏覽或搜索產(chǎn)品,我們想向他們展示他們最想要的產(chǎn)品薯酝。用戶希望能夠快速找到他們想要的東西半沽,如果他們很難找到相關產(chǎn)品爽柒,他們可能會放棄尋找。推薦系統(tǒng)也可以用來找出不同產(chǎn)品之間的相似程度者填。如果產(chǎn)品彼此非常相似浩村,他們可能會吸引相同的用戶。當用戶點擊一個產(chǎn)品時占哟,我們可以使用它來給用戶提供與其他非常相似的產(chǎn)品的鏈接心墅。

或者,如果用戶購買產(chǎn)品榨乎,我們可以稍后通過電子郵件向用戶發(fā)送類似產(chǎn)品的廣告怎燥。產(chǎn)品相似性在我們對特定用戶還不太了解的情況下尤其有用。我們可以推薦類似的產(chǎn)品蜜暑,即使用戶還沒有輸入任何自己的產(chǎn)品評論铐姚。我們也可以使用推薦系統(tǒng)來判斷兩個不同的用戶是否相似。如果兩個用戶對產(chǎn)品有類似的偏好肛捍,我們可以假設他們有相似的興趣隐绵。

例如,社交網(wǎng)絡可以使用這個信息來建議兩個用戶應該成為朋友拙毫。

3. 使用推薦系統(tǒng)

推薦系統(tǒng)躲在您每天使用的許多產(chǎn)品的幕后依许。您可能在電子商務網(wǎng)站上看到了推薦系統(tǒng)。當你在淘寶上買了一樣東西缀蹄,下次打開淘寶的時候峭跳,會根據(jù)你的購買情況看到推薦的產(chǎn)品。這由推薦系統(tǒng)提供支持缺前。但這只是冰山一角蛀醉。 Facebook和Instagram等社交媒體網(wǎng)站大量使用了推薦系統(tǒng)。

這些網(wǎng)站使用推薦系統(tǒng)來決定在您的時間表中顯示哪個帖子以及向您推薦哪些新朋友诡延。

音樂流媒體服務依靠推薦系統(tǒng)來幫助您發(fā)現(xiàn)新音樂滞欠。 Spotify使用推薦系統(tǒng)來生成自己認為自己喜歡的音樂自動播放列表。

如果你不斷發(fā)現(xiàn)你喜歡的新藝術(shù)家肆良,你更有可能繼續(xù)使用這項服務筛璧。 Netflix使用推薦系統(tǒng)來決定向您展示哪些電影和電視節(jié)目。

他們以研究和推薦系統(tǒng)而聞名惹恃。 2006年他們開始了Netflix獎夭谤,這是一個頂尖的比賽,誰可以提高10%的推薦準確率巫糙,誰就能贏得100萬美元朗儒。三年后,有人完成了挑戰(zhàn)并獲獎。

推薦系統(tǒng)也出現(xiàn)在各種其他產(chǎn)品中醉锄。如網(wǎng)上約會應用程序使用推薦系統(tǒng)來決定哪些用戶互相展示乏悄。

銀行和投資公司使用推薦系統(tǒng)來將不同的賬戶和服務與用戶進行匹配。保險公司也是這樣做的恳不。推薦系統(tǒng)的應用程序幾乎是無止境的檩小。

結(jié)語

下一節(jié)將會講解推薦系統(tǒng)的一些基本策略.

你的 關注-收藏-轉(zhuǎn)發(fā) 是我繼續(xù)分享的動力!

?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末,一起剝皮案震驚了整個濱河市烟勋,隨后出現(xiàn)的幾起案子规求,更是在濱河造成了極大的恐慌,老刑警劉巖卵惦,帶你破解...
    沈念sama閱讀 216,372評論 6 498
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件阻肿,死亡現(xiàn)場離奇詭異,居然都是意外死亡沮尿,警方通過查閱死者的電腦和手機丛塌,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 92,368評論 3 392
  • 文/潘曉璐 我一進店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來蛹找,“玉大人姨伤,你說我怎么就攤上這事∮辜玻” “怎么了?”我有些...
    開封第一講書人閱讀 162,415評論 0 353
  • 文/不壞的土叔 我叫張陵当编,是天一觀的道長届慈。 經(jīng)常有香客問我,道長忿偷,這世上最難降的妖魔是什么金顿? 我笑而不...
    開封第一講書人閱讀 58,157評論 1 292
  • 正文 為了忘掉前任,我火速辦了婚禮鲤桥,結(jié)果婚禮上揍拆,老公的妹妹穿的比我還像新娘。我一直安慰自己茶凳,他們只是感情好嫂拴,可當我...
    茶點故事閱讀 67,171評論 6 388
  • 文/花漫 我一把揭開白布。 她就那樣靜靜地躺著贮喧,像睡著了一般筒狠。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上箱沦,一...
    開封第一講書人閱讀 51,125評論 1 297
  • 那天辩恼,我揣著相機與錄音,去河邊找鬼。 笑死灶伊,一個胖子當著我的面吹牛疆前,可吹牛的內(nèi)容都是我干的。 我是一名探鬼主播聘萨,決...
    沈念sama閱讀 40,028評論 3 417
  • 文/蒼蘭香墨 我猛地睜開眼峡继,長吁一口氣:“原來是場噩夢啊……” “哼!你這毒婦竟也來了匈挖?” 一聲冷哼從身側(cè)響起碾牌,我...
    開封第一講書人閱讀 38,887評論 0 274
  • 序言:老撾萬榮一對情侶失蹤,失蹤者是張志新(化名)和其女友劉穎儡循,沒想到半個月后舶吗,有當?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體,經(jīng)...
    沈念sama閱讀 45,310評論 1 310
  • 正文 獨居荒郊野嶺守林人離奇死亡择膝,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點故事閱讀 37,533評論 2 332
  • 正文 我和宋清朗相戀三年誓琼,在試婚紗的時候發(fā)現(xiàn)自己被綠了。 大學時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片肴捉。...
    茶點故事閱讀 39,690評論 1 348
  • 序言:一個原本活蹦亂跳的男人離奇死亡腹侣,死狀恐怖,靈堂內(nèi)的尸體忽然破棺而出齿穗,到底是詐尸還是另有隱情傲隶,我是刑警寧澤,帶...
    沈念sama閱讀 35,411評論 5 343
  • 正文 年R本政府宣布窃页,位于F島的核電站跺株,受9級特大地震影響,放射性物質(zhì)發(fā)生泄漏脖卖。R本人自食惡果不足惜乒省,卻給世界環(huán)境...
    茶點故事閱讀 41,004評論 3 325
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望畦木。 院中可真熱鬧袖扛,春花似錦、人聲如沸十籍。這莊子的主人今日做“春日...
    開封第一講書人閱讀 31,659評論 0 22
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽妓雾。三九已至娶吞,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間械姻,已是汗流浹背妒蛇。 一陣腳步聲響...
    開封第一講書人閱讀 32,812評論 1 268
  • 我被黑心中介騙來泰國打工机断, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留,地道東北人绣夺。 一個月前我還...
    沈念sama閱讀 47,693評論 2 368
  • 正文 我出身青樓吏奸,卻偏偏與公主長得像,于是被迫代替她去往敵國和親陶耍。 傳聞我的和親對象是個殘疾皇子奋蔚,可洞房花燭夜當晚...
    茶點故事閱讀 44,577評論 2 353

推薦閱讀更多精彩內(nèi)容

  • 這篇文章的技術(shù)難度會低一些,主要是對推薦系統(tǒng)所涉及到的各部分內(nèi)容進行介紹烈钞,以及給出一些推薦系統(tǒng)的常用算法泊碑,比起技術(shù)...
    我偏笑_NSNirvana閱讀 12,081評論 5 89
  • -- 原創(chuàng),未經(jīng)授權(quán)毯欣,禁止轉(zhuǎn)載 2017.11.15 -- 對于推薦系統(tǒng)馒过,本文總結(jié)內(nèi)容,如下圖所示: 文章很長酗钞,你...
    rui_liu閱讀 42,936評論 14 256
  • 年月將城池苦澀成春去秋來的緣分腹忽。 薄霧環(huán)城,零屋夢蝶砚作。 萬古一蒼生窘奏,亂世城前,虛生半截葫录,不敵晚風怨着裹。 你的將...
    歲月藍閱讀 468評論 0 1
  • 我今年大三求冷,讀的是專科窍霞,所以現(xiàn)在是實習階段,就等于已經(jīng)畢業(yè)拯坟。 我和我的一個大學好哥們在大一的時候就...
    撒垃卜閱讀 272評論 0 1