En general, puede formular cualquier algoritmo determinista de aprendizaje automático en un marco de red neuronal. La factorización matricial es un modelo de incrustación que incrusta tanto al usuario como al elemento en un espacio latente compartido y predice la calificación como un producto interno de la incrustación. Para obtener detalles técnicos, consulte la implementación de factorización de matriz sesgada utilizando TensorFlow aquí.
Además, para un marco NN más general, consulte AutoRec: Autoencoders Meet Collaborative Filtering (Código disponible aquí). En este marco, puede definir diferentes modelos basados en la entrada y el objetivo, es decir
- Entrada = vector de usuario en el espacio del elemento; Target = vector de usuario en el espacio del elemento
- Esto es equivalente al modelo U-AutoRec.
- Entrada = vector de elemento en el espacio del usuario; Target = Vector de elemento en el espacio del usuario
- Esto es equivalente al modelo I-AutoRec.
- Entrada = Una codificación activa del usuario; Target = vector de usuario en el espacio del elemento
- Esto es equivalente al modelo MF.
- Entrada = Características del usuario; Target = vector de usuario en el espacio del elemento
- Esto es equivalente al recomendador basado en funciones del usuario.
- Entrada = Características del artículo; Target = Vector de elemento en el espacio del usuario
- Esto es equivalente al recomendador basado en características del elemento.
- ¿Quiénes son algunos de los investigadores más notables de Machine Learning en India?
- ¿Cuál es la diferencia entre aprendizaje supervisado y aprendizaje de refuerzo?
- ¿Cómo afectará a la industria india de TI si abandonan su mentalidad basada en el servicio y comienzan a construir productos basados en inteligencia artificial y aprendizaje automático?
- ¿Pueden las sociedades ser redes neuronales donde las personas individuales son nodos?
- ¿Crees que las matemáticas se trata de complicar la lógica simple?