Las preferencias que se modelarán en los sistemas de recomendación generalmente tienen dos dimensiones: una es positiva y la otra es negativa / neutral (básicamente, lo que el usuario odia o no le interesa especialmente). Ambos son igualmente importantes si su objetivo es recomendarle al usuario algo que le pueda gustar. La razón para considerar las preferencias negativas / neutrales al recomendar es que le brindan información “negativa”. Desea mejorar la recomendación de preferencias positivas de los usuarios y evitar recomendar preferencias negativas / neutrales de los usuarios. La retroalimentación implícita generalmente le brinda información muy vital sobre estas preferencias negativas / neutrales que podría utilizar para mejorar la calidad de las recomendaciones.
Por ejemplo, si desea recomendar videos, una respuesta implícita de un usuario podría ser si el usuario dejó de ver un video en el medio. En ese caso, desearía dar menos peso a las características de ese (o similar) video (s). Sin embargo, al mismo tiempo, es posible que desee dar a los videos mencionados una mayor preferencia que aquellos en los que el usuario ni siquiera ha hecho clic. En este sentido, la incorporación de la retroalimentación implícita le permite modelar el grado en que al usuario le gustan los videos y luego su objetivo es recomendar los videos que se espera que tengan un alto grado de me gusta por parte del usuario. Esto seguramente mejoraría las recomendaciones.
- ¿Para qué se utiliza el aprendizaje automático?
- Cómo aplicar en la práctica PCA a la agrupación de trayectorias
- Cómo aplicar mis conocimientos de aprendizaje automático para invertir en el mercado de valores indio
- ¿Qué tipos de trabajos están disponibles en la industria financiera para un máster en ML / AI graduado?
- ¿Cuáles son ejemplos cuando es útil generar muestras a partir de un modelo probabilístico?
