集合知プログラミングという本を読んだことがありますが、それは魅力的です。私は最近、アマゾンが彼らのシステムのためのより良いレコメンデーションエンジンを考え出すために世界に投稿した挑戦について聞いた。
勝者は、供給される情報の量を制限することにより、明らかに最良のアルゴリズムを作成しました。
最初の経験則として、私は推測します...「ファジーアルゴリズムに関しては、より多くの情報が必ずしも良いとは限りません。」
それは主観的なものですが、最終的には測定可能なものです（推奨事項に応じてクリックします）。
私たちのほとんどは最近ウェブを扱っており、検索は一種の推奨事項と見なすことができるので...これについて他の人々のアイデアを高く評価するのは私だけではないのではないかと思います。
一言で言えば、「推奨事項を作成するための最良の方法は何ですか？」
このテーマに専念するコンピュータ サイエンスの研究領域があります。いくつかの記事を読むことをお勧めします。
ユーザーに関する情報がない場合を除き、「全体的な人気」は使用しません。代わりに、このユーザーを同様のユーザーと並べて、それに応じて重み付けする必要があります。
これはまさにベイジアン推論が行うことです。英語では、あなたが何かを好きになる全体的な確率 (平均評価) を、一般的に同じように投票する他の人々からの評価で調整することを意味します。
別のアドバイスですが、今回はその場しのぎです。何かが好きでも、私はほぼ確実に嫌いになる人がいることがわかりました。この効果が現実のものなのか、想像上のものなのかはわかりませんが、類似点だけで人をまとめるのではなく、一種の「負の効果」を組み込むのは楽しいかもしれません。
最後に、まさにこれを専門とするSenseArrayという会社があります。所有者 ( freenetで有名なIan Clarke ) はとても親しみやすい人です。彼に電話するなら、私の名前を使ってもいいです。
@リカルドに同意します。この質問は、「システムを最適化するための最良の方法は何ですか?」と尋ねるような、広すぎる質問です。
ほぼすべての既存のレコメンデーション エンジンに共通する特徴の 1 つは、最終的なレコメンデーションを作成することは、いくつかの行列とベクトルを乗算することです。たとえば、ユーザー間の近接度の重みを含む行列にアイテム評価のベクトルを掛けます。
(もちろん、ほとんどのベクトルが超疎になるように準備する必要があります!)
私の答えは@Allainには遅すぎますが、検索でこの質問を見つけた他のユーザーにとっては遅すぎます.PMを送って、より具体的な質問をしてください.
(専門的にレコメンデーション エンジンを設計しています。)
@老子、私はあなたに同意します。
私によると、レコメンデーション エンジンは次のもので構成されています。
- コンテキスト認識システムから供給されるコンテキスト入力 (すべてのデータをログに記録)
- 最も明白なものをフィルタリングするための論理的推論
- コンテキスト入力に基づいて一定期間にわたって主観的データを改善するエキスパート システム、および
- 以前のアクション (信念、欲求、および意図) の加重合計に基づいて、近接して意思決定を行う確率論的推論。
PS こんなレコメンドエンジンを作りました。