Часть 1: введение Это первая из двух статей об использовании BigQuery для создания (компонента) рекомендательной системы. Эта первая часть в основном концептуальна, а во второй части мы углубимся в реальный код и объясним, как на практике настроить конвейер ежедневного обучения. Вот сценарий для вас: скажем, у вас есть веб-сайт, на котором люди могут хвастаться своими самодельными произведениями цифрового искусства (каждое из которых явно связано с NFT), а другие люди могут..

Вступление Эта статья является продолжением моей последней статьи , где я представил простые методы и некоторые модели соседства для рекомендаций, зависящих от времени. В этом посте я представлю два новых класса моделей, методы на основе матричной факторизации (MF-BPR и MF-TOP) и методы нейронных сетей (RNN и CNN). Я буду использовать 4 метрики: NDCG, MRR, MAP и HR. Все они подробно описаны в моей предыдущей статье. Модели обучаются с использованием отфильтрованной версии набора..

Разъяснение путаницы между этими методами Недавно, посмотрев курс рекомендательных систем Курса машинного обучения профессора Эндрю Нг, я почувствовал себя очень смущенным, не понимая, как работает матричная факторизация. Иногда я знаю, что математика в машинном обучении очень непонятна. Лучше, если мы будем думать о нем как о черном ящике, но эта модель была очень «волшебной» по моим меркам. В таких ситуациях я обычно пытаюсь найти в Google больше ссылок, чтобы лучше понять..

Santander - испанский банк, который хотел порекомендовать продукты своим клиентам. Это был конкурс , который пару лет назад провел Kaggle. Я напишу о своем подходе к этому, а исходный код доступен в моем гитхабе. Когда я сначала взглянул на описание конкурса, я сразу подумал о традиционном подходе, основанном на сходстве пользователей и пользователей, SVD и матричной декомпозиции, но самым большим открытием для меня стало то, как такие данные можно преобразовать в форму, чтобы..