Wie kann ich anpassen meine Empfehlung Motor kalt gestartet wird?
Ich bin neugierig, was sind die Methoden /Ansätze zur überwindung der "cold start" problem, wo, wenn ein neuer Benutzer oder ein Element in das system, aufgrund mangelnder info über diese neue Einheit, so dass die Empfehlung ist ein problem.
Ich denken kann, zu tun, eine Vorhersage basierte Empfehlung (wie Geschlecht, Staatsangehörigkeit und so weiter).
Schreibe einen Kommentar
Du musst angemeldet sein, um einen Kommentar abzugeben.
Vielleicht gibt es Zeiten, die Sie gerade nicht eine Empfehlung? "Unzureichende Daten" zu qualifizieren, als eine jener Zeiten.
Ich weiß nur nicht sehen, wie die Vorhersage Empfehlungen auf der Grundlage "des Geschlechts, der Nationalität und so weiter" wird in Höhe von mehr als Stereotypisierung.
IIRC, Orte wie Amazon, baute Ihre Datenbanken für eine Weile, bevor Empfehlungen. Es ist nicht die Art von Sache, die Sie möchten, zu bekommen, falsch; es gibt viele Geschichten über unangemessene Empfehlungen auf der Grundlage unzureichender Daten.
Können Sie kalt starten, eine Empfehlung system.
Es gibt zwei Arten von recommendation-Systeme, collaborative filtering und content-based. Content-basierte Systeme verwenden meta-Daten, über die Dinge, die Sie empfehlen. Die Frage ist dann, was meta-Daten sind wichtig? Der zweite Ansatz ist das kollaborative filtern, die kümmert sich nicht um die meta-Daten, es verwendet einfach das, was Menschen getan oder gesagt, über ein Element, eine Empfehlung. Mit collaborative filtering, die Sie nicht haben, um sorgen, was die Begriffe in den meta-Daten sind wichtig. In der Tat brauchen Sie nicht alle meta-Daten, um die Empfehlung. Das problem mit kollaborativen filtern ist, dass Sie Daten benötigen. Bevor Sie haben genug Daten, die Sie verwenden können, Inhalte-Empfehlungen. Sie können Empfehlungen basierend auf beiden Methoden, und am Anfang haben 100% content-basiert ist, wie Sie bekommen mehr Daten beginnen zu mischen collaborative filtering basiert.
Das ist die Methode, die ich in der Vergangenheit verwendet haben.
Andere verbreitete Technik ist zur Behandlung der inhaltliche Teil, als eine einfache Suche problem. Stellen Sie gerade in den meta-Daten als text-oder Textkörper des Dokuments indizieren Sie Ihre Dokumente. Sie können dies tun, mit Lucene & Solr ohne code schreiben zu müssen.
Wenn Sie wissen möchten, wie basic collaborative filtering funktioniert, prüfen Sie, aus Kapitel 2 von "Programming Collective Intelligence" von Toby Segaran
Arbeiten auf dieses problem selbst, aber das Papier von microsoft auf Boltzmann-Maschinen aussieht, lohnt sich: http://research.microsoft.com/pubs/81783/gunawardana09__unified_approac_build_hybrid_recom_system.pdf
Diese wurde mehrmals gefragt, bevor (natürlich, ich kann nicht finden, diese Fragen jetzt :/, aber die Allgemeine Schlussfolgerung war, es ist besser, zu vermeiden, solche Empfehlungen. In verschiedenen teilen der Welt gleichen-Namen gehören verschiedenen Geschlechtern, und so weiter ...
Empfehlungen auf der Basis von "ähnlichen Benutzern gefallen..." klar, warten muss. Geben Sie Gutscheine oder andere Anreize für die Befragten, wenn Sie sich absolut verpflichtet, das zu tun, Vorhersagen, basierend auf Benutzer-ähnlichkeit.
Gibt es zwei weitere Möglichkeiten zum kalt-starten Sie eine recommendation engine.
Viele potenzielle Fallstricke in all diesen, die auch den gesunden Menschenverstand zu erwähnen.
Als man erwarten könnte, es gibt kein kostenloses Mittagessen hier. Aber denken Sie an es auf diese Weise: recommendation engines sind nicht einen business-plan. Sie haben sich nur verbessern, den business-plan.
Gibt es drei Dinge nötig, um das Cold-Start Problem:
Müssen die Daten wurden profiliert, so dass Sie haben viele verschiedene Funktionen (mit Produkt-Daten der Begriff für das 'feature' ist oft 'Facetten-Klassifikation'). Wenn Sie nicht ordnungsgemäß Profil-Daten, wie es kommt in der Tür, Ihre Empfehlung Motor bleiben "kalt", denn es hat nichts mit dem zu klassifizieren Empfehlungen.
WICHTIGSTE: Sie müssen eine Benutzer-feedback-Schleife, mit der Benutzer können überprüfen Sie die Empfehlungen der personalization engine Vorschläge. Zum Beispiel, die Yes/No Taste für 'War Dieser Vorschlag Hilfreich"? sollte Warteschlange eine Bewertung der Teilnehmer in einem Trainings-Datensatz (D. H. die "Empfehlen" - training dataset) zu einem anderen Trainings-dataset (also NICHT Empfehlen-training dataset).
Modell für (Empfehlen/NICHT Empfehlen) Vorschläge sollten nie als ein one-size-fits-all-Empfehlung. Neben der Klassifizierung der Produkt oder eine Dienstleistung zu empfehlen, zu einem Kunden, wie das Unternehmen klassifiziert die jeweiligen Kunden ist ebenfalls wichtig. Wenn richtig funktioniert, sollte man erwarten, dass Kunden mit unterschiedlichen Funktionen erhalten andere Vorschläge für (Empfehlen/NICHT Empfehlen) in einer bestimmten situation. Das würde die "Personalisierung" Teil der Personalisierungs-engines.