Recomendar entidades populares y establecidas (incluso si están en un nicho establecido) es bastante fácil. Este es un problema clásico de big data, y es fácil hacerlo bien incluso si eres un novato.
¿Qué pasa con un nuevo producto que nunca se ha comprado, una película que nunca se ha visto o un libro que nunca se ha leído? Este problema de arranque en frío es más difícil y en realidad requiere saber algo sobre la entidad que va a recomendar o no.
Una estrategia es sugerir (o pagar) a las personas para que observen la entidad. Pero esto puede ser costoso si tiene muchas entidades nuevas para evaluar. Si sugiere entidades malas a los clientes, puede hacer que se enojen con usted. Si tiene que pagar a alguien para evaluar cada nueva entidad, esos costos pueden acumularse rápidamente.
- ¿Cuáles son las ventajas del aprendizaje semi-supervisado sobre el aprendizaje supervisado y no supervisado?
- ¿Cuáles son los beneficios del filtrado colaborativo?
- Con suficiente capacitación, ¿puede el aprendizaje automático escribir una buena historia para un programa de televisión?
- ¿Los algoritmos subyacentes permiten a Shazam identificar una canción y Amazon Flow para identificar una imagen básicamente igual?
- ¿Cuáles son algunos de los mejores cursos de ML para una maestría en India?
Creo que la estrategia más efectiva es crear una “mejor suposición” utilizando los metadatos y el contenido de la entidad. Para las entidades establecidas, probablemente haya suficientes datos de capacitación para hacer una buena suposición sobre la calidad basada en el contenido, el creador y otras propiedades de la entidad. Pero esto requiere mucho más matiz que la simple finalización de la matriz, el enfoque estándar para sistemas de recomendación ignorantes de contenido.
