Ajánló rendszerek is

Ajánló rendszerek is

Mi már fentebb leírtuk, ez ajánló rendszerek ma már részletesebben mesélni milyen fontosak. Ezek a programok javították a módját közötti kölcsönhatás az oldalon, és a látogató, mert ahelyett, hogy a statikus információt, a felhasználó interaktív funkciók.

Ajánlások generált külön minden egyes alapján az előző műveletet egy webes tulajdonság, vagy a múltbeli tevékenység. Ezen kívül fontos, és viselkedése a korábbi résztvevők.

Ezután példákat fogunk különböző típusú ajánló rendszerek. Itt van, hogy nézd meg a javaslatokat a híres online hipermarket Amazon.

Ajánló rendszerek is

Az online boltok elvileg fontos funkciója, és az ilyen nagy könyvtárak, mint az Amazon - egyike azon kevés módon, hogy jól működik. Módszer ajánlást ebben az esetben nem egy közönséges választható szolgáltatás, ez biztosítja a könnyű felhasználói navigáció a webes erőforráshoz. Ha elektronikus katalógus több mint 20.000 féle termék, orientáció már úgy tűnik, túlságosan nagy, mit kell mondani, ha a több millió termék?

Ajánló rendszerek is

Az alábbiakban röviden ismertetjük számos megközelítést az ajánlásokat, és az osztályozó algoritmusok.

Ajánlás szolgáltatások gyűjteni a különböző információt egy személy számos eljárás alkalmazásával, és amely osztozik minden rendszer.

Tehát, az első típus - egyértelmű adatgyűjtést. Ahogy az egyik lehet kitalálni a nevét, a felhasználó megadja a szükséges anyagokat a munka. Például, ha az ajánlás motor Yandex és más keresőmotorok megkérdezi, hogy becsléseket az emberi különböző elemek összeállítani egy listát a kedvencek meghatározott területen, vagy válaszolni néhány kérdésre. Ha valaki nem hajlandó tájékoztatást adni a saját, a tényleges lesz a következő módszerrel.

Vannak még típusú ajánló rendszerek, amelyeket az általuk használt módszerek.

Az első alapvető technika az úgynevezett együttműködő szűrés (Collaborative szűrés). Ajánlások ezt a technikát kapnak, amely a viselkedési jellemzői egyén vagy embercsoport, az utóbbi még hatékonyabb. A csoport megy, hogy az emberek, akik szeretik egymás viselkedését és jellemzőit.

Itt egy példa, hogy az információ észlelt könnyebb. Hozzon létre egy hely, ahol a közönség is ajánlott zenét. Mivel ebben az esetben fog működni szolgáltatások alapján ajánlásokat együttműködő megközelítést? Ezen elv szerint: alapján vegyen be egy közösség, ahol a résztvevők a listára való felvétel ugyanazon a műfaj helye számokat. Ezután meghatározzuk a legnépszerűbb az összes zenei darabokat, és ajánlott egy felhasználót a csoportból, amely még nem hallgattam ezt a dalt.

Izoláljuk, mint a kombinált megközelítés, amely szerint a fejlesztési hajtjuk ajánlórendszer.

Vegyes megközelítés - kombinációja a tartalom és csoportos. Mint tudja, több - annál jobb, így a keverék két technika hatékonyságának fokozása érdekében a rendszerek ajánlásainak, azaz jelentősen növeli a pontosságát előrejelzések bizonyos személyekkel.

Az alábbiakban a algoritmusait ajánlás rendszerek, amelyeket használni ahhoz, hogy megfelelő eredményt.

Pearson-féle korrelációs

Ez az algoritmus képes azonosítani közös jellemzői a különböző felhasználók számára. Hogyan? Az egyszerű matematika, azaz a meghatározása lineáris összefüggés a két elem között. Egy fontos pont - ez a technika nem alkalmas az emberek a közösség.

csoportosítás

Ez működési elve ajánló rendszerek alapján az elosztási közötti hasonlóság elemei (felhasználók) kiszámításával az egymás közelében az úgynevezett funkció térben. Jelek jelennek elemek, amelyek összetartanak érdekeit egyes résztvevők a folyamat (a zeneszámokat olyan erőforrás film portálok - filmek). Hasonló felhasználók jellemzőit egyesítik úgynevezett klaszterek.

Együttműködésben szűrőalgoritmus

Kemény csoportosítás lehet cserélni más algoritmusok, ami működik egy meglehetősen bonyolult képlet, és mint minden a korábbiak, a viselkedése alapján a felhasználók csoportja. Azonban ebben az eljárásban, van néhány nagyon jelentős hátránya. Először is, egy új vagy atipikus felhasználók (akik nem szervezett csoportokba) nehéz megtalálni ajánlásokat. Másodszor, az úgynevezett „hideg indítás”, amikor az új tárgyak nem tartoznak ajánlás rendszereket.

tartalomszűrés algoritmus

Algoritmus, szimmetrikus fent, de ha az első esetben, kezdtük a feltételezés, hogy egy objektum, mint egy felhasználó, mert szereti a „osztálytársak”, itt fogunk ajánlani alapján hasonló tárgyakat, hogy ő mondta magának. Itt hagyományosan több probléma is felmerül. Ugyanez a „hideg indítás”, és hogy az ajánlások gyakran általánosak.

ahelyett, hogy a következtetés

Tehát, már feltéve, minden információt, amit tudni kell ajánló rendszerek kezdő, vagy egy egyszerű ember az utcán. Legyünk őszinték, az algoritmusok bemutatunk néhány nehézséget a felkészületlen ember, így ez a cikk nem a matematikai képletek, de az algoritmusok alapján rájuk.

Nagy konverziók!

Image Source: bosszantó To Orcas

LPgenerator - Profi Céloldal Platform növelni értékesítését a vállalkozás

kapcsolódó bejegyzések

Ajánló rendszerek is

FIGYELEM! Ön egy elavult böngészőt használ Internet Explorer

Ez a weboldal épül a fejlett, korszerű technológiák és nem támogatja az Internet Explorer a második és a hetedik változat.

Ajánló rendszerek is

Ajánló rendszerek is

Ajánló rendszerek is

Ajánló rendszerek is

Ajánló rendszerek is

Kapcsolódó cikkek