21 Rekomendacinės sistemos

Shuai Zhang (Amazon), Aston Zhang (Amazon) ir Yi Tay (Google)

Rekomendacinės sistemos plačiai naudojamos pramonėje ir yra visur mūsų kasdieniame gyvenime. Šios sistemos taikomos įvairiose srityse, pavyzdžiui, internetinėse prekybos svetainėse (pvz., amazon.com), muzikos ir filmų paslaugų svetainėse (pvz., Netflix ir Spotify), mobiliųjų programėlių parduotuvėse (pvz., IOS app store ir Google Play), internetinėje reklamoje ir kt.

Pagrindinis rekomendacinių sistemų tikslas yra padėti naudotojams atrasti aktualius elementus, pavyzdžiui, filmus žiūrėti, tekstus skaityti ar produktus pirkti, ir taip sukurti malonią naudotojo patirtį. Be to, rekomendacinės sistemos yra viena galingiausių mašininio mokymosi sistemų, kurias internetinės parduotuvės diegia siekdamos papildomų pajamų. Rekomendacinės sistemos pakeičia paieškos sistemas, nes sumažina aktyvios paieškos pastangas ir nustebina naudotojus pasiūlymais, kurių jie neieškojo. Daugeliui įmonių pavyko aplenkti konkurentus padedant veiksmingesnėms rekomendacinėms sistemoms. Taigi rekomendacinės sistemos yra svarbios ne tik mūsų kasdieniame gyvenime, bet ir neišvengiamai reikalingos kai kuriose pramonės šakose.

Šiame skyriuje aptarsime rekomendacinių sistemų pagrindus ir pažangą, taip pat išnagrinėsime kai kuriuos įprastus pagrindinius metodus rekomendacinėms sistemoms kurti su skirtingais turimais duomenų šaltiniais ir jų įgyvendinimus. Konkrečiai, sužinosite, kaip prognozuoti įvertinimą, kurį naudotojas galėtų skirti tikėtinam elementui, kaip sudaryti rekomenduojamų elementų sąrašą ir kaip prognozuoti paspaudimų dažnį iš gausių požymių. Šios užduotys yra įprastos realaus pasaulio taikymuose. Studijuodami šį skyrių įgysite praktinės patirties sprendžiant realaus pasaulio rekomendavimo problemas ne tik klasikiniais metodais, bet ir pažangesniais giliuoju mokymusi pagrįstais modeliais.