建议概览

推荐系统是机器学习在商业中最成功和最广泛的应用之一。您可以使用推荐系统来帮助用户在大量内容中找到感兴趣的内容。例如，Google Play 商店提供数百万个应用，YouTube 提供数十亿个视频，并且每天都会新增更多应用和视频。用户可以使用搜索功能查找新内容，但受其所用的搜索字词的限制。推荐系统可以推荐用户自己可能未曾想到要搜索到的内容。如需了解详情，请参阅推荐系统概览。

推荐系统中的机器学习算法通常分为以下两类：基于内容和基于协同过滤。

  • 基于内容的过滤：使用内容之间的相似度来提供建议。例如，如果用户观看了两个可爱猫咪的视频，则推荐系统可以向该用户推荐更多可爱动物的视频。
  • 协同过滤：利用用户之间的相似度（基于用户查询）来提供建议。例如，如果用户 A 搜索了与用户 B 相似的内容，而用户 B 喜欢视频 1，那么即使用户 A 没有观看与视频 1 类似的任何视频，推荐系统也可以向用户 A 推荐视频 1。

矩阵分解模型被广泛用作推荐系统的协同过滤方法。您可以将矩阵分解模型与 ML.RECOMMEND 函数搭配使用来作出推荐。如需了解详情，请参阅矩阵分解。

如需扩展基于协同过滤的推荐系统，使其功能不仅仅局限于使用矩阵分解模型所实现的那一部分，您可以使用深度神经网络 (DNN) 和 Wide & Deep 模型。这些模型可以整合查询和内容特征来提高推荐的相关性。如需了解详情，请参阅以下资源：