Please enable JavaScript.
Coggle requires JavaScript to display documents.
Recommender Systems - Coggle Diagram
Recommender Systems
Content-based R.S.
نمونه ها
Description-based
۱. تبدیل فیلد نوشتاری description به وکتور با Vectorizer
۲. امتیاز شباهت هر جفت فیلم را با Cosine Similarity Score اندازه می‌گیریم.
۳. با دریافت نام فیلمی که کاربر قبلا دیده یا پسندیده، سطر مربوط به آن فیلم را از ماتریس مشابهت استخراج کرده، آنها را بر اساس امتیاز مشابهت sort کرده و تعدادی از فیلم‌های با درجه مشابهت بالا را به‌عنوان پیشنهاد باز می‌گردانیم.
Metadata-based
۱. یک سوپ می‌سازیم که به ازای هر فیلم، اطلاعات متنی فیلدهای مورد نظر درون آن موجود باشند.
۲. با کمک Vectorizer سوپ را به وکتور تبدیل می‌کنیم
۳. مشابه سیستم قبلی ماتریس مشابهت را می‌سازیم و از آن برای ارایه پیشنهاد استفاده می‌کنیم
-
Hybrid R.S.
توضیح
از دو یا چند سیستم پیشنهاد دهنده به صورت ترکیبی استفاده می‌شود تا نقاط ضعف یک مدل توسط فواید مدل دیگر خنثی شود
-
Knowledge-based R.S.
توضیح
برای مواردی که کمتر معامله میشوند
و نمیتوان بر اساس اطلاعات قبلی یا پروفایل
آیتم و کاربران دست به ارایه پیشنهاد زد
از آن استفاده می‌شود. مانند پیشنهاد خانه
۱. برخی شرایط فیلم مطلوب از کاربر دریافت شود.
۲. بر اساس این شرایط، فیلم‌ها انتخاب شوند.
۳. امتیاز فیلم‌های منتخب محاسبه شده و نتیجه به صورت sort شده به کاربر پیشنهاد گردد.
Collaborative Filtering
روش ساخت
-
Model-based F.
Supervised Example
ماتریس امتیازات کاربران-فیلم‌ها را داریم ( m X n ) اگر n-1 ستون را به عنوان متغیر پیش‌بینی کننده و ستون باقیمانده را به عنوان متغیر هدف در نظر بگیریم، می‌توانیم از اعدادی که در ستون باقیمانده هستند برای آموزش سیستم استفاده کنیم تا بتواند اعدادی که در آن ستون نیستند (سلول‌های تهی آن ستون) را نیز پیش بینی کند. سپس این تقسیم‌بندی را n بار دیگر تکرار کنیم تا ماتریس ما تکمیل شود.
-
-
-