构建推荐系统机器学习的简单指南 [2022]

当今的大多数互联网企业都倾向于提供个性化的用户体验。 机器学习中的推荐系统是一种特殊类型的基于 Web 的个性化应用程序，它为用户提供有关他们可能感兴趣的内容的个性化推荐。 推荐系统也称为推荐系统。

什么是推荐系统？

机器学习中的推荐系统可以预测用户对一堆事物的需求，并推荐最需要的事物。

推荐系统是应用于企业的机器学习技术最广泛的应用之一。

我们可以在零售、视频点播或音乐流媒体中找到大规模的推荐系统。

推荐系统试图将独特的数据揭示模型的一部分自动化，其中个人试图发现具有相似品味的其他人，然后要求他们推荐新项目。

加入来自世界顶级大学的在线机器学习课程——硕士、高管研究生课程和 ML 和 AI 高级证书课程，以加快您的职业生涯。

推荐系统的类型

1. 根据您的兴趣进行个性化推荐。
2. 非个性化 - 其他客户现在正在查看的内容。

推荐系统的需求是什么？

我们在机器学习中需要推荐系统的关键原因之一是，由于互联网，人们可以选择购买的选择太多。

过去，人们过去常常在实体店购物，那里的商品供应有限。

例如，放置在视频租赁店的电影数量取决于商店的规模。 网络允许人们访问大量的在线资源。 Netflix 拥有大量电影。 随着可用信息量的增加，出现了一个新问题，人们发现很难从各种各样的选项中进行选择。 因此，推荐系统应运而生。

推荐系统在哪里使用？

• 大型电子商务网站使用此工具来推荐消费者可能希望购买的商品。
• 网络个性化。

推荐系统如何工作？

• 我们可以向客户推荐在其他客户中普遍受欢迎的东西。
• 我们可以根据客户的产品选择将客户分成几组，并建议他们可能购买的东西。

上述两种技术都有其缺点。 在第一种情况下，最流行、最主流的东西对每个客户都是一样的。 因此，每个人都可能会收到类似的建议。 而在第二个中，随着客户数量的增加，作为建议突出显示的事物的数量也会增加。 因此，很难将所有客户端分组到不同的部分。

现在，我们将看看推荐系统是如何工作的。

数据采集

这是创建推荐系统的第一步，也是最重要的一步。 信息经常通过两种方法收集：显式和隐式。

显性信息将是故意提供的数据，即客户做出的贡献，如电影评论。 隐含信息是指未特意提供但从可访问的信息流中收集的数据，例如点击、搜索历史、请求历史等。

资料库

信息量表明模型建议的真实性。 信息类型在从大量人群中挑选数据方面具有重要作用。 该容量可以包括一个标准的 SQL 和 NoSQL 信息库或一种形式的文章存储。

数据过滤

在收集和存储之后，需要对这些数据进行过滤以提取信息以做出最终推荐。 各种算法使过滤过程更容易。

推荐系统算法

软件系统利用项目/用户的历史迭代和属性向用户提供建议。

构建推荐系统有两种方法。

1. 基于内容的推荐

• 使用项目/用户的属性
• 推荐与用户过去喜欢的项目相似的项目

2.协同过滤

• 推荐类似用户喜欢的项目
• 探索多样化的内容

基于内容的推荐

监督机器学习诱导分类器区分有趣和不感兴趣的用户项目。

推荐系统的目标是预测用户未评级事物的分数。 内容过滤背后的基本思想是，每件事都有一些亮点 x。

例如，电影《最后的爱》是一部爱情片，精彩片段 x1 得分高，而 x2 得分低。

（电影收视数据）

资源

每个人都有一个参数 θ，它告诉他们有多喜欢爱情片，有多喜欢动作片。

如果 θ = [1, 0.1]，个人喜欢爱情片而不是动作片。

我们可以通过线性回归为每个人找到最佳 θ。

（符号）

r(i,j)：如果用户 j 对电影 i 评分，则为 1（否则为 0）

y(i,j)：用户 j 对电影 i 的评分（如果已定义）

θ(j)：用户向量参数

x(i)：电影 i 特征向量

预测评分[用户 j，电影 i]：(θ(j))ᵀx(i)

m(j): # 用户 j 率的电影数量

nᵤ：用户数

n：电影的特征数

阅读：机器学习项目的想法和主题

协同过滤

内容过滤的缺点是它需要所有内容的辅助数据。

例如，爱情和动作等分类是电影的辅助数据。 找到观看电影并为每部电影添加辅助数据的人的成本很高。

基本假设

• 兴趣相近的用户有着共同的偏好。
• 有足够多的用户偏好可用。

主要方法

• 基于用户
• 基于项目

怎么可能列出电影的所有特征？ 如果想添加新功能怎么办？ 我们是否应该将新功能添加到所有电影中？

协同过滤解决了这个问题。

（预测电影的特点）来源

机器学习中推荐系统的问题与维护

问题

• 不确定的用户输入结构
• 寻找用户参与批评研究
• 弱计算
• 结果不佳
• 信息不畅
• 缺乏信息
• 隐私控制（可能不会与收据明确结合）

维护

• 昂贵
• 信息过时了
• 信息质量（巨大，圈层空间发展）

机器学习中的推荐系统植根于各个研究领域，例如信息检索、文本分类，以及应用来自不同领域的不同方法，例如机器学习、数据挖掘和基于知识的系统。

推荐系统的未来

• 提取物通过检查带回来的东西来理解负面评价。
• 如何将当地与提案结合起来。
• 稍后将使用推荐系统来预测对商品的兴趣，从而使之前的通信能够返回到商店网络。

使用 upGrad 提升您在机器学习领域的职业生涯

如果您有兴趣了解有关机器学习的更多信息，请查看 IIIT-B 和 upGrad 的机器学习和 AI 执行 PG 计划，该计划专为工作专业人士设计，提供 450 多个小时的严格培训、30 多个案例研究和作业、IIIT -B 校友身份，5 个以上实用的实践顶点项目和顶级公司的工作协助。