Публикации по теме 'recommendation-system'


Система рекомендаций, основанная на текущих характеристиках пользователей
Рост электронного бизнеса за последние несколько десятилетий и рост многонациональных компаний, таких как Alphabet, Amazon, Netflix, Alibaba и множества других подобных компаний, предоставляющих веб-услуги, привели к тому, что потребность в рекомендательных системах со временем растет в геометрической прогрессии. От электронной коммерции (предложение продуктов, которые могут заинтересовать клиентов) до онлайн-рекламы и подбора любовников, рекомендательные системы сегодня неизбежны в..
Рекомендательная модель фильма в Керасе
Задача Рекомендательные системы - это модели, которые могут давать рекомендации пользователям на основе истории их поведения. Совместная фильтрация - это один из способов создания рекомендательной системы, основанной на рейтингах пользователей. Цель состоит в том, чтобы построить простую модель совместной фильтрации с использованием Keras. Мы будем использовать новый набор данных MovieLens, который имеет 100000 оценок, 9000 фильмов и 700 users Доступно здесь:..
Индивидуальный подход к рекомендациям
Постановка проблемы / Аннотация . Все веб-сайты электронной коммерции полагаются на системы рекомендаций для продвижения своих продуктов и увеличения продаж. Некоторые из проблем, с которыми сталкивается текущая система рекомендаций, связаны с тем, что продукты, которые были куплены, снова рекомендуются, образец поведения покупателя не фиксируется должным образом, а учитываются только история поиска и кеш. Во многих вероятностных ситуациях рекомендуемые товары могут не входить в диапазон..
Время шоу! Но ждать. Что мне теперь смотреть?
Думаю, мы все были там. Хотите что-то посмотреть, но не знаете, что именно смотреть… Подождите, я думаю, у вас есть возможность! Что ж, на Netflix есть этот сериал, о котором ваши друзья уже давно говорят. Я знаю, что вы уже смотрели трейлер и не думаете, что он вам так сильно понравится, но разве вам все равно не стоит его смотреть, чтобы участвовать в их обсуждениях? Давай, попробуй! Вы смотрели пилота, но все же ... Не интересно! Почему все так взволнованы по этому поводу ?!..
Четвертое место в конкурсе ACM Recsys Challenge 2019 от команды RosettaAI
Трехмесячный конкурс рекомендательных систем 2019 ACM RecSys Challenge наконец-то подошел к концу. Мы, RosettaAI , в итоге заняли 4-е место среди 1564 команд в частной таблице лидеров, заняв последнее место в призовой зоне! Большое спасибо профессору Линю и нашим замечательным товарищам по команде из Национального Тайваньского университета и Техасского университета в Далласе. Без отличной командной работы невозможно достичь такого результата. Абстрактный В этом году на..
Системы рекомендаций, использующие BigQuery ML
Дайте мне свои лучшие рекомендации! Из этой статьи вы узнаете, как: Преобразование данных образца в формат, подходящий для обучения модели матричной факторизации Создайте, обучите и разверните матричную модель факторизации. Получайте прогнозы на основе развернутой модели о том, какие продукты наиболее вероятно заинтересуют ваших клиентов. Большинство потребителей сегодня ожидают персонализации, но как создать систему рекомендаций и использовать предсказанные рекомендации..
RecSys ’17: Моделирование эффектов ассимиляции-контраста в онлайн-системах оценки продуктов: устранение предвзятости…
Задача системы рекомендаций (13/50) бумажная ссылка Какую проблему они решают? Прогнозируемый рацион элементов с учетом того факта, что исторический рейтинг влияет на поведение пользователей Какую модель они предлагают? HIALF : Модель латентного фактора с учетом исторического влияния (HIALF) b_u и q_up — это традиционная модель со скрытой переменной. a_u означает, насколько легко пользователь u может быть затронут . h_pi представляет искажение..