構建推薦系統機器學習的簡單指南 [2022]

當今的大多數互聯網企業都傾向於提供個性化的用戶體驗。 機器學習中的推薦系統是一種特殊類型的基於 Web 的個性化應用程序，它為用戶提供有關他們可能感興趣的內容的個性化推薦。 推薦系​​統也稱為推薦系統。

什麼是推薦系統？

機器學習中的推薦系統可以預測用戶對一堆事物的需求，並推薦最需要的事物。

推薦系​​統是應用於企業的機器學習技術最廣泛的應用之一。

我們可以在零售、視頻點播或音樂流媒體中找到大規模的推薦系統。

推薦系​​統試圖將獨特的數據揭示模型的一部分自動化，其中個人試圖發現具有相似品味的其他人，然後要求他們推薦新項目。

加入來自世界頂級大學的在線機器學習課程——碩士、高管研究生課程和 ML 和 AI 高級證書課程，以加快您的職業生涯。

推薦系​​統的類型

1. 根據您的興趣進行個性化推薦。
2. 非個性化 - 其他客戶現在正在查看的內容。

推薦系​​統的需求是什麼？

我們在機器學習中需要推薦系統的關鍵原因之一是，由於互聯網，人們可以選擇購買的選擇太多。

過去，人們過去常常在實體店購物，那裡的商品供應有限。

例如，放置在視頻租賃店的電影數量取決於商店的規模。 網絡允許人們訪問大量的在線資源。 Netflix 擁有大量電影。 隨著可用信息量的增加，出現了一個新問題，人們發現很難從各種各樣的選項中進行選擇。 因此，推薦系統應運而生。

推薦系​​統在哪裡使用？

• 大型電子商務網站使用此工具來推薦消費者可能希望購買的商品。
• 網絡個性化。

推薦系​​統如何工作？

• 我們可以向客戶推薦在其他客戶中普遍受歡迎的東西。
• 我們可以根據客戶的產品選擇將客戶分成幾組，並建議他們可能購買的東西。

上述兩種技術都有其缺點。 在第一種情況下，最流行、最主流的東西對每個客戶都是一樣的。 因此，每個人都可能會收到類似的建議。 而在第二個中，隨著客戶數量的增加，作為建議突出顯示的事物的數量也會增加。 因此，很難將所有客戶端分組到不同的部分。

現在，我們將看看推薦系統是如何工作的。

數據採集

這是創建推薦系統的第一步，也是最重要的一步。 信息經常通過兩種方法收集：顯式和隱式。

顯性信息將是故意提供的數據，即客戶做出的貢獻，如電影評論。 隱含信息是指未特意提供但從可訪問的信息流中收集的數據，例如點擊、搜索歷史、請求歷史等。

資料庫

信息量表明模型建議的真實性。 信息類型在從大量人群中挑選數據方面具有重要作用。 該容量可以包括一個標準的 SQL 和 NoSQL 信息庫或一種形式的文章存儲。

數據過濾

在收集和存儲之後，需要對這些數據進行過濾以提取信息以做出最終推薦。 各種算法使過濾過程更容易。

推薦系​​統算法

軟件系統利用項目/用戶的歷史迭代和屬性向用戶提供建議。

構建推薦系統有兩種方法。

1. 基於內容的推薦

• 使用項目/用戶的屬性
• 推薦與用戶過去喜歡的項目相似的項目

2.協同過濾

• 推薦類似用戶喜歡的項目
• 探索多樣化的內容

基於內容的推薦

監督機器學習誘導分類器區分有趣和不感興趣的用戶項目。

推薦系​​統的目標是預測用戶未評級事物的分數。 內容過濾背後的基本思想是，每件事都有一些亮點 x。

例如，電影《最後的愛》是一部愛情片，精彩片段 x1 得分高，而 x2 得分低。

（電影收視數據）

資源

每個人都有一個參數 θ，它告訴他們有多喜歡愛情片，有多喜歡動作片。

如果 θ = [1, 0.1]，個人喜歡愛情片而不是動作片。

我們可以通過線性回歸為每個人找到最佳 θ。

（符號）

r(i,j)：如果用戶 j 對電影 i 評分，則為 1（否則為 0）

y(i,j)：用戶 j 對電影 i 的評分（如果已定義）

θ(j)：用戶向量參數

x(i)：電影 i 特徵向量

預測評分[用戶 j，電影 i]：(θ(j))ᵀx(i)

m(j): # 用戶 j 率的電影數量

nᵤ：用戶數

n：電影的特徵數

閱讀：機器學習項目的想法和主題

協同過濾

內容過濾的缺點是它需要所有內容的輔助數據。

例如，愛情和動作等分類是電影的輔助數據。 找到觀看電影並為每部電影添加輔助數據的人的成本很高。

基本假設

• 興趣相近的用戶有著共同的偏好。
• 有足夠多的用戶偏好可用。

主要方法

• 基於用戶
• 基於項目

怎麼可能列出電影的所有特徵？ 如果想添加新功能怎麼辦？ 我們是否應該將新功能添加到所有電影中？

協同過濾解決了這個問題。

（預測電影的特點）來源

機器學習中推薦系統的問題與維護

問題

• 不確定的用戶輸入結構
• 尋找用戶參與批評研究
• 弱計算
• 結果不佳
• 信息不暢
• 缺乏信息
• 隱私控制（可能不會與收據明確結合）

維護

• 昂貴
• 信息過時了
• 信息質量（巨大，圈層空間發展）

機器學習中的推薦系統植根於各個研究領域，例如信息檢索、文本分類，以及應用來自不同領域的不同方法，例如機器學習、數據挖掘和基於知識的系統。

推薦系​​統的未來

• 提取物通過檢查帶回來的東西來理解負面評價。
• 如何將當地與提案結合起來。
• 稍後將使用推薦系統來預測對商品的興趣，從而使之前的通信能夠返回到商店網絡。

使用 upGrad 提升您在機器學習領域的職業生涯

如果您有興趣了解有關機器學習的更多信息，請查看 IIIT-B 和 upGrad 的機器學習和 AI 執行 PG 計劃，該計劃專為工作專業人士設計，提供 450 多個小時的嚴格培訓、30 多個案例研究和作業、IIIT -B 校友身份，5 個以上實用的實踐頂點項目和頂級公司的工作協助。