Я занимался этой темой последние три года в Ubisoft, но до сих пор не нашел подходящих наборов данных для экспериментов в своем блоге. Эта статья положит начало серии статей, посвященных рекомендательным системам для такого контента, как фильмы, телешоу, видеоигры, книги и музыка. Со всеми этими блокировками я перезапустился, чтобы потреблять контент на нескольких потоковых платформах, таких как Netflix, Disney+ и т. д. Я хотел бы погрузиться в эту область, чтобы создать рекомендательные..

В этой статье мы собираемся преобразовать набор статических рекомендаций фильмов в персонализированные: чтобы они также зависели от прошлого поведения посетителя в рамках текущего сеанса. Что не так со статическими рекомендациями? Когда вам нужно ранжировать список «вам также могут понравиться» фильмы, может возникнуть вопрос контекстуальной двусмысленности. Хороший пример — фильм «Вспомнить все». Вам нравится научная фантастика? Или только Шварценеггер? Или, может быть, что-то о..

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..

С момента нашего первого публичного релиза на HackerNews и по сей день люди, следящие за развитием Metarank, спрашивали рекомендации. Когда мы объясняли концепцию персонализированного вторичного реранжирования и то, как его можно использовать для персонализации различных типов контента, все продолжали просить рекомендации! Теперь, спустя почти год после того поста на HN, мы рады сообщить, что Metarank больше не просто второстепенный реранкер. С 0.6.1 (да, рекомендации были..

Всего несколько дней назад мы выпустили версию 0.6 , в которую добавлены рекомендации, и мы вернулись с несколькими исправлениями, о которых сообщили наши любимые пользователи. Встречайте версию Метаранка 0.6.2 ! Хотя этот выпуск в основном включает исправления ошибок, есть несколько небольших улучшений. Использование памяти для каждой функции Мы постоянно работаем над улучшением памяти, используемой Metarank, и понимание того, сколько памяти потребляется функциями вашей модели,..

Подробная информация о том, как мы использовали модель трансформатора для генерации рекомендаций в режиме реального времени в Scribd, о проблемах, с которыми мы столкнулись, и их решениях. Последовательная модель глубокого обучения доказала свою пользу в индустрии рекомендаций для создания более актуальных и динамичных рекомендаций на основе прошлой последовательности действий пользователей. В Scribd мы также использовали последовательную модель глубокого обучения для генерации..