Le sugiero que desee echar un vistazo a las máquinas de Boltzmann restringidas, que a menudo se utilizan para el filtrado colaborativo, que a su vez se utiliza para el sistema de recomendación. Además, eche un vistazo a los modelos de factores latentes y cómo se le aplican redes neuronales convolucionales. Hay varias otras aplicaciones de este tipo. También puede echar un vistazo a los sistemas de recomendación de música basados en contenido profundo. Esto te daría una idea básica.
Uno de los ejemplos básicos que tengo es que imagina que tienes un conjunto de artículos de noticias y hay un conjunto de temas para cada artículo de noticias. Lo que podría hacerse es que para cada usuario individual, podríamos crear un vector a partir de estos temas en función de los artículos de noticias que ese usuario en particular lea.
Ahora la pregunta se reduce a, dado que tenemos un nuevo artículo de noticias, ¿sería interesante para el usuario o no, es decir, puede recomendarse al usuario?
- ¿Cuál es el papel de la descomposición de Cholesky en la búsqueda de PDF normal multivariante?
- Cómo modelar el problema de un número de generación matka usando machine learning
- ¿Cuáles son algunos pequeños proyectos iniciales en aprendizaje automático de regresión lineal que un principiante puede hacer en 2-3 días?
- ¿Qué es el cambio de covariable?
- ¿Qué es la perplejidad en el análisis bayesiano?
Podríamos aprender un modelo individual para cada usuario entrenándolo con redes neuronales. Las entradas a esta red serían vectores de tema correspondientes para cada artículo que un usuario hubiera leído. Ahora, cuando llega un nuevo artículo, basado en los temas que tiene, la red neuronal le asignará un puntaje y esto a su vez nos dirá cuánto interés le interesaría este nuevo artículo al usuario. En base a esto, podríamos recomendar o no recomendar al usuario.