Статьи по теме recommendation-system

Публикации по теме 'recommendation-system'

День 49 из 100DaysofML

Системы рекомендаций на основе содержания . Мы обсуждали механизмы рекомендаций в нескольких последних блогах, поэтому я собираюсь сосредоточиться непосредственно на разнообразии механизмов рекомендаций или механизмов, основанных на содержании, которые помогают нам с 'предложениями' , когда мы используем разные носители. или развлекательные приложения. В любом случае, давайте быстро приступим к их работе. Работа системы рекомендаций на основе содержания (алгоритм) Эти системы..

Использование совместной фильтрации для создания систем рекомендаций

Системы рекомендаций повсеместно используются в нашей повседневной жизни. Это позволило нам принимать решения, проникая в такие приложения, как Netflix, Amazon, YouTube, Spotify и т. д. Сердце этих систем построено с использованием алгоритма, известного как совместная фильтрация. Вкратце, совместная фильтрация опирается на мудрость толпы, чтобы делать прогнозы о человеке. Здесь, используя PyTorch, fastai и принципы матричной факторизации, я собираюсь построить модель совместной..

Системы рекомендаций на основе рейтинга | Построение матрицы пользовательских элементов для рейтингового анализа

Код: Набор данных: https://www.kaggle.com/datasets/arhamrumi/amazon-product-reviews import numpy as np import pandas as pd from sklearn.feature_extraction.text import TfidfVectorizer from sklearn.cluster import KMeans from sklearn.metrics.pairwise import cosine_similarity df = pd.read_csv('/kaggle/input/amazon-product-reviews/Reviews.csv') df = df[['Id','ProductId','Score','Summary','Text']] df['Score'].value_counts().plot(kind='bar') # Select the required columns for..

Gousto R-series, том 3: Визуализация самоконтроля трансформатора для объяснения рекомендаций клиентов

В этом томе мы описываем, как мы реализовали модель Transformer для рекомендаций в Gousto, и визуализируем механизм внимания Transformer, чтобы понять сигналы клиентов, которые модель использует для прогнозирования. В Gousto мы решили проблему холодного старта клиентов с рекомендациями , смоделировав клиентов как последовательность заказанных ими рецептов, а не изучая отдельные пользовательские встраивания. Такой подход проложил путь к использованию современной архитектуры в машинном..

Система рекомендаций рецептов с фильтрацией на основе содержимого

От Родриго Неварес Эскобар и Хесус Абрахам Вильяльба Миранда Представьте себе следующий сценарий: воскресное утро, первое, что вы делаете, это идете на кухню, чтобы приготовить себе вкусный завтрак. Вы подходите к холодильнику, чтобы заглянуть внутрь, но обнаруживаете пару продуктов, оставшихся после похода в супермаркет на этой неделе; пол-галлона молока, несколько яиц, может быть, пару кусочков фруктов здесь и там. Давайте представим, что вы не можете точно решить, что делать с..

Вы можете делать покупки на Pinterest? Да!

Инженеры, специалисты по продуктам и дизайнеры Pinterest создают новые горизонты онлайн-покупок. Наши технические команды работают над многими проектами, которые продвигают покупки в Pinterest. Наш инженерный центр в Торонто поддерживает многие из этих усилий, и мы всегда ищем новые таланты, чтобы присоединиться к нашей команде. Узнайте больше и станьте частью инновационных команд, занимающихся передовой электронной коммерцией на основе вкуса: pinterestcareers.com . Примечание. В..