Los algoritmos son importantes, pero solo una pequeña parte del diseño de un sistema de recomendación eficaz reside en la elección del algoritmo. El resto incluye:
- ¿De dónde sacas los datos de preferencia? Para datos implícitos (p. Ej., Vistas de página), ¿cómo lo interpreta?
- ¿Qué haces con la recomendación? ¿Dónde se entregan? ¿En que contexto? ¿Cuántos? ¿Con qué frecuencia? ¿Estás mostrando una sugerencia? ¿Haciendo una oferta? ¿Hacer una predicción audaz? ¿Solo reproduce el contenido recomendado (por ejemplo, transmisión de música)?
- ¿Para qué estás tratando de optimizar en tu recomendación? ¿Estás tratando de encontrar cosas que el usuario ya sabe y le gustan? ¿Ayudando al usuario a encontrar cosas nuevas? Centrándose en la diversidad? ¿En reunir colecciones interesantes?
Solo después de que se hayan tomado estas y muchas otras decisiones, tiene sentido comenzar a hablar sobre cuál es el algoritmo correcto para el recomendante.
- Cómo hacer clustering para datos categóricos
- ¿Qué significa 'estimación ML o MAP no captura la incertidumbre de los parámetros'?
- ¿Cuáles son las ventajas y desventajas de las API de servicios cognitivos de Microsoft?
- ¿Aprender implementando un buen enfoque, o leyendo y usando marcos como TensorFlow?
- Cómo implementar SVM yo mismo
