Présentation des recommandations

Les systèmes de recommandation sont l'une des applications de machine learning les plus performantes et les plus répandues pour les entreprises. Vous pouvez utiliser un système de recommandation afin d'aider les utilisateurs à trouver du contenu intéressant dans un volume important de contenus. Par exemple, Google Play Store et YouTube proposent respectivement des millions d'applications et des milliards de vidéos, avec toujours plus d'applications et de vidéos ajoutées chaque jour. Les utilisateurs peuvent se servir de la recherche pour trouver de nouveaux contenus, mais les termes de recherche qu'ils utilisent sont limités. Un système de recommandation permet de suggérer des contenus que les utilisateurs n'ont peut-être pas pensés à rechercher par eux-mêmes. Pour en savoir plus, consultez la page Présentation des systèmes de recommandation.

Les algorithmes de machine learning dans les systèmes de recommandation sont généralement classés dans les deux catégories suivantes : filtrage basé sur le contenu et filtrage collaboratif.

  • Filtrage basé sur le contenu : utilise la similarité entre les éléments pour fournir des recommandations. Par exemple, si un utilisateur regarde deux vidéos de chats mignons, le système de recommandation peut lui recommander des vidéos d'animaux mignons.
  • Filtrage collaboratif : utilise les similitudes entre les utilisateurs (en fonction des requêtes des utilisateurs) pour fournir des recommandations. Par exemple, si l'utilisateur A recherche des éléments similaires à l'utilisateur B, et que l'utilisateur B aime la vidéo 1, le système de recommandation peut recommander la vidéo 1 à l'utilisateur A, même si l'utilisateur A n'a regardé aucune vidéo similaire à la vidéo 1.

Les modèles de factorisation matricielle sont couramment utilisés comme méthode de filtrage collaboratif pour les systèmes de recommandation. Vous pouvez utiliser un modèle de factorisation matricielle avec la fonction ML.RECOMMEND pour émettre des recommandations. Pour en savoir plus, consultez la page Factorisation matricielle.

Pour étendre un système de recommandation basé sur le filtrage collaboratif au-delà de ce qu'il est possible de faire avec un modèle de factorisation matricielle, vous pouvez utiliser un réseau de neurones profond (DNN, Deep Neural Network) et des modèles Wide et deep. Ces modèles peuvent intégrer des fonctionnalités de requête et d'élément pour améliorer la pertinence des recommandations. Pour en savoir plus, consultez les ressources suivantes :