Système de recommandation à variables multiples

J'ai suivi des didacticiels sur la mise en œuvre du système de recommandation et la plupart d'entre eux prennent une variable (rang). Je veux implémenter un système de recommandation basé sur l'article qui prend plusieurs variables.Système de recommandation à variables multiples

Par exemple: Disons un élément (bar) a varables suivant (valeurs allant de -10 à +10, pour exprimer des polarités opposées)

- price (cheap to expensive) 
- environment (casual to fine) 
- age range (young to adults)

Maintenant, je veux recommander des articles (bar) à la recherche liste des barres enregistrées dans l'historique de l'utilisateur.

Est-ce que ce genre de "système de recommandation multidimensionnel" peut être implémenté en utilisant Mahout ou tout autre framework?

Source

2016-02-01 Ashika Umanga Umagiliya

Vous voulez le multi-modal, multi-indicateur, multi-variable, comment vous voulez le décrire — Universal Recommender. Il peut gérer toutes ces données. Nous l'avons testé sur des jeux de données réels et obtenu un boost significatif de test de précision grâce à ce que nous appelons des «indicateurs secondaires».

Bonne intuition. Donnez un coup d'œil à l'UR: blog.actionml.com, consultez les diapositives dans un article. Code ici: https://github.com/actionml/template-scala-parallel-universal-recommendation/tree/v0.3.0 Construit sur la nouvelle version Spark de Mahout: http://mahout.apache.org/users/algorithms/intro-cooccurrence-spark.html

Source

2016-02-01 14:42:59 pferrel

Si je peux demander, Pat, quel est l'algorithme sous le capot? – eliasah

Il s'agit d'un nouvel algorithme qui utilise la cooccurrence croisée pondérée par log-vraisemblance pour recueillir des données provenant de nombreuses sources à propos de l'utilisateur. Il peut ingérer des données de profil (tranche d'âge, sexe, etc.), des données sur le contexte de l'utilisateur (périphérique, localisation, informations de segmentation), des données sur les flux, comme la préférence pour les catégories, les balises et même les termes de recherche. est considéré comme étant la seule chose qu'un expert peut ingérer - acheter, regarder, écouter. La dernière action unique est la plupart des autres algorithmes peuvent utiliser. Cet algorithme peut utiliser presque tout ce que vous savez sur l'utilisateur, voir: blog.actionml.com – pferrel

Système de recommandation à variables multiples

Répondre

Questions connexes