Panoramica dei consigli

I sistemi di suggerimenti sono una delle applicazioni più efficaci e diffuse della machine learning per le aziende. 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 più app e 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 avere pensato di cercare da soli. Per ulteriori informazioni, vedi Panoramica del sistema di consigli.

Gli algoritmi di machine learning nei sistemi di suggerimenti sono generalmente classificati in le due categorie seguenti: basato sui contenuti e filtro collaborativo.

  • Filtro basato sui contenuti: utilizza la somiglianza tra gli elementi per fornire consigli. Ad esempio, se un utente guarda due video di gattini, il sistema di consigli può consigliarti più simpatici video di animali.
  • Filtro collaborativo: utilizza le somiglianze tra gli utenti (in base alle query degli utenti) per fornire personalizzati. Ad esempio, se all'utente A cerca cose simili a quelle dell'utente B e all'utente B piace il video 1, il sistema dei consigli può consigliare il video 1 all'utente A, anche se l'utente A non ha guardato alcun video 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 un modello di fattorizzazione matriciale con Funzione ML.RECOMMEND per generare consigli. Per ulteriori informazioni, vedi Fattorizzazione matriciale.

Per estendere un sistema di suggerimenti basato su filtri collaborativi oltre quanto possibile con un modello di fattorizzazione matriciale, puoi utilizzare la rete neurale profonda (DNN) e Modelli Wide and Deep. Questi modelli possono incorporare caratteristiche di query e articoli per migliorare la pertinenza dei personalizzati. Per maggiori informazioni, consulta le seguenti risorse: