Close

협업필터링 예제

위키는 말합니다: 협업 필터링은 많은 사용자로부터 선호도 또는 취향 정보를 수집하여 사용자의 관심사에 대한 자동 예측(필터링)을 만드는 방법입니다(공동 작업). 협업 필터링 시스템의 또 다른 측면은 특정 사용자의 과거 활동 또는 특정 사용자와 비슷한 취향으로 간주되는 다른 사용자의 이력을 분석하여 보다 개인화된 권장 사항을 생성하는 기능입니다. 이러한 리소스는 사용자 프로파일링으로 사용되며 사이트에서 사용자별로 콘텐츠를 추천하는 데 도움이 됩니다. 지정된 사용자가 시스템을 많이 사용할수록 시스템이 해당 사용자의 모델을 개선하기 위해 데이터를 얻으면 권장 사항이 더 좋아집니다. 방금 한 일은 사용자 공동 작업 필터링 방법입니다. 또한 우리가 따르는 것과 동일한 방법을 사용하여 항목-항목 공동 작업 필터링을 수행할 수도 있습니다. 그러나 항목 항목 공동 작업 필터링에서는 동영상을 사용자와 비교해야 합니다. (이쪽을 봐 주세요) 우리는 우리 주변의 추천 시스템의 사용을 참조하십시오. 이러한 시스템은 우리의 웹 경험을 개인화, 우리에게 무엇을 구입해야할지 말하고 (아마존), 어떤 영화를 볼 (넷플릭스), 누구와 친구가 될 (페이스 북), 어떤 노래를 듣고 (스포티 파이) 등.

이러한 추천 시스템은 쇼핑/시청/청취 패턴을 활용하고 행동 패턴을 기반으로 향후 우리가 무엇을 좋아할지 예측합니다. 추천 시스템의 가장 기본적인 모델은 사람들이 좋아하는 다른 것들과 비슷한 것을 좋아한다는 가정과 비슷한 취향을 가진 다른 사람들이 좋아하는 것을 기반으로 하는 협업 필터링 모델입니다. 권장 사항에 는 두 가지 기본 권장 시스템이 사용되고 있습니다. 콘텐츠 기반 필터링 및 협업 필터링. 실제로 많은 상용 추천 시스템은 대규모 데이터 집합을 기반으로 합니다. 결과적으로 공동 작업 필터링에 사용되는 사용자 항목 매트릭스는 매우 크고 희소할 수 있으며, 이는 권장 사항의 성능에 문제를 초래합니다. 링크 1: PythonLink 2에서 자신의 추천 시스템 구현: 소개에서 추천 시스템: 공동 작업 필터링을 사용 하 여 공동 필터링 문제 고유 한 사용자가 독특한 맛을 가지고 있을 때 다른 사용자와 비슷한 일치 하지 않을 수 있습니다. 한편, 콘텐츠 기반 접근 방식은 사용자 및 항목 프로필을 기반으로 빌드할 수 있습니다. 이전 선택 항목에 따라 항목을 권장할 수 있습니다. 이 이야기에서 우리는 공동 작업 필터링에 초점을 맞출 것이다 (나는 당신이 왜 나중에 알려드립니다, 계속 읽기) 공동 필터링의 또 다른 형태는 정상적인 사용자 행동의 암시적 관찰을 기반으로 할 수 있습니다 (등급에 의해 부과 된 인공 적인 행동과는 반대로) 작업)을 수행합니다.

이러한 시스템은 사용자가 수행한 작업을 모든 사용자가 수행한 내용(듣고 있는 음악, 구입한 항목)을 관찰하고 해당 데이터를 사용하여 향후 사용자의 동작을 예측하거나 기회가 주어지면 사용자가 어떻게 행동할지 예측합니다.