نویسنده (ها): R. Thompson (دکترا)
در ابتدا منتشر شده در به سمت هوش مصنوعیبشر
موتورهای توصیه شده به معماران ساکت مصرف دیجیتال مدرن تبدیل شده اند. این که آیا این Netflix است که سری تماشای بعدی شما را نشان می دهد یا آمازون محصولی را که نمی دانستید به آن نیاز ندارید ، تبلیغ می کند ، فیلتر مشارکتی در پشت صحنه نقش مهمی ایفا می کند.
این راهنما یک طرح عمیقاً عملی برای ساختن یک کاربر مبتنی بر ارائه می دهد فیلتر مشارکتی سیستم با استفاده از پایتون-ساختار یافته برای دسترسی ، عملی و مقیاس پذیر برای برنامه های دنیای واقعی.
فیلترهای مشارکتی را به ترجیحات جمعی کاربران برای پیش بینی های شخصی تبدیل می کند.
به جای تکیه بر ویژگی های از پیش تعریف شده ، انجمن های طبیعی پنهان شده در رفتار کاربر را کشف می کند.
• فیلتر مبتنی بر کاربر: موارد را بر اساس تنظیمات برگزیده کاربران با سلیقه مشابه توصیه می کند.
• فیلتر مبتنی بر آیتم: مواردی را پیشنهاد می کند که شبیه به مواردی است که کاربر قبلاً از آن لذت می برد.
در این آموزش ، ما با اعتماد به افرادی که ترجیحات آنها با آنها طنین انداز می شوند ، بر روی تکنیک فیلتر مشارکتی مبتنی بر کاربر متمرکز می شویم ، که نشان می دهد که توصیه های انسانی در زندگی روزمره چگونه کار می کند.
ابتدا اطمینان حاصل کنید که ابزارهای مناسبی را در اختیار دارید.
نصب کتابخانه های ضروری:
• پاندا برای دستکاری داده های ساخت یافته
• numpy برای عملیات سریع ریاضی
• Scikit-Learn برای محاسبه شباهت
دستور نصب:
نصب PIP پاندا نشانگر
شما همچنین به مجموعه دادهبشر شروع با:
• Movielens مجموعه داده
یا از یک ماتریس تعامل کاربر-مورد سفارشی مانند:
انتخاب یک مجموعه داده متنوع ، آموزش و ارزیابی مدل بهتر را تضمین می کند.
هنگامی که محیط شما … وبلاگ کامل را به صورت رایگان در رسانه بخوانیدبشر
منتشر شده از طریق به سمت هوش مصنوعی