El aprendizaje profundo es uno de los próximos grandes avances en la tecnología de sistemas de recomendación.
Con menos ingeniería de características, las redes neuronales profundas pueden generalizar combinaciones de características mejores o invisibles a través de la incrustación densa de baja dimensión aprendida para las características dispersas. Sin embargo, las redes neuronales profundas con incrustación pueden generalizar en exceso y recomendar elementos menos relevantes cuando las interacciones usuario-elemento son escasas y de alto rango.
https://arxiv.org/pdf/1606.07792…
- ¿Cuáles son las diferencias en las aplicaciones de filtrado colaborativo en los datos de calificación y en los datos de compra?
- ¿Qué nivel de experiencia en aprendizaje automático se espera de un científico de datos?
- ¿La red neuronal convolucional (CNN) tiene que ver con la arquitectura de red y factores como la tasa de aprendizaje, la función de pérdida utilizada, etc.
- ¿Debo usar un cursor o usar el paquete R directamente?
- ¿Hay algún ejemplo en la inferencia bayesiana de que, incluso con infinitos puntos de datos, el efecto de lo anterior no puede ser "eliminado"?
http: //static.googleusercontent….
Recomienda música en Spotify con aprendizaje profundo
https://arxiv.org/pdf/1606.07792…
http: //machinelearning.wustl.edu…
primero aprenden los factores de usuario y elemento usando la factorización de matriz tradicional (MF). Con los factores del elemento a la mano, aprenden una red de convolución profunda que toma las características de audio como entrada y el factor latente del elemento correspondiente, de MF, como la salida de destino. Entonces, básicamente están aprendiendo una función (usando una red de convolución profunda) que asigna características de contenido de elementos a factores latentes MF correspondientes. Finalmente, la recomendación se hace como en MF estándar, es decir, producto interno entre el usuario y los factores latentes del artículo. Dichos modelos son útiles en el problema de arranque en frío del elemento, donde no hay comentarios de los usuarios sobre el elemento objetivo, ya que los factores latentes del elemento se construyen únicamente a partir de su contenido. (- Quora)