Panoramica dei consigli

I sistemi di suggerimenti sono una delle applicazioni di maggiore successo e più diffuse del machine learning per le attività. Puoi utilizzare un sistema di consigli per aiutare gli utenti a trovare contenuti interessanti in una vasta gamma di contenuti. Ad esempio, Google Play Store offre milioni di app, mentre YouTube offre miliardi di video, con altre app e altri video aggiunti ogni giorno. Gli utenti possono utilizzare la ricerca per trovare nuovi contenuti, ma questo è limitato dai termini di ricerca che utilizzano. Un sistema di consigli può suggerire contenuti che gli utenti potrebbero non aver pensato di cercare autonomamente. Per ulteriori informazioni, vedi Panoramica del sistema di consigli.

Gli algoritmi di machine learning nei sistemi di suggerimenti sono in genere classificati nelle seguenti categorie:

  • Filtro basato sui contenuti: utilizza la somiglianza tra gli elementi per fornire personalizzati. Ad esempio, se un utente guarda due video di gatti carini, il sistema di consigli può consigliargli altri video di animali carini.
  • Filtro collaborativo: utilizza somiglianze tra gli utenti (in base al tipo query) per fornire suggerimenti. Ad esempio, se l'utente A cerca qualcosa di simile all'utente B, mentre all'utente B piace il video 1, poi il consiglio sistema può consigliare il video 1 all'utente A, anche se l'utente A non ha guardato video simili al video 1.

I modelli di fattorizzazione matriciale sono ampiamente utilizzati come metodo di filtro collaborativo per i sistemi di suggerimenti. Puoi utilizzare una matrice di fattorizzazione con Funzione ML.RECOMMEND per dare consigli. Per ulteriori informazioni, consulta la pagina Decomposizione matriciale.

Per estendere un sistema di suggerimenti basato sul filtro collaborativo oltre a quanto possibile con un modello di fattorizzazione matriciale, puoi utilizzare i modelli di reti neurali profonde (DNN) e Wide and Deep con la funzione ML.PREDICT per fare suggerimenti. Questi modelli possono incorporare caratteristiche di query ed elementi per migliorare pertinenza dei consigli. Per maggiori informazioni, consulta le seguenti risorse: