Cuando dice que quiere “personalizar artículos”, parece que lo que realmente quiere hacer es personalizar la selección de artículos, por ejemplo, para un servicio de noticias, en función de los artículos que lea el usuario.
El objetivo básico aquí es estimar la probabilidad de que el usuario haga clic en un artículo (lo lea) basándose en artículos anteriores en los que el usuario ha hecho clic.
Una estrategia sería estimar la similitud entre dos artículos, por ejemplo comparando el número de palabras clave superpuestas versus no superpuestas.
- ¿Por qué la agrupación de datos del panel reduce los errores estándar?
- ¿Por qué debería obtener el doble de RAM que la memoria total de mi GPU para construir una plataforma de aprendizaje profundo?
- ¿Cuál es el plan de estudios de maestría de Stanford en AI / ML?
- ¿Qué trabajo puede hacer un ingeniero de aprendizaje automático para ayudar a las personas?
- ¿Qué áreas debo conocer bien para ser un buen ingeniero de visión por computadora?
Otra estrategia sería estimar la probabilidad de leer un artículo dada una palabra clave, y luego estimar la probabilidad de leerlo dadas todas las palabras clave.
También puede estimar la probabilidad de leerlo versus no leerlo. (por ejemplo, el artículo apareció en una lista pero el usuario no hizo clic en él; esto podría tomarse como una evaluación negativa)
Afortunadamente, es bastante fácil manipular y probar el algoritmo elegido usando la validación cruzada K-fold (http://en.wikipedia.org/wiki/Cro…. Use los artículos mostrados a usuarios reales como la “verdad fundamental”, entrene en un 80% de los artículos al azar y prueba en el otro 20% para ver qué tan bien funcionó la predicción. Jugar con el algoritmo para mejorar la predicción.
También puede obtener fantasía con un modelo bayesiano (bastante abstracto para configurar), o puede usar K-vecinos más cercanos de todos los usuarios (a los usuarios que les gustaron los artículos que les gustaron también les gustó este artículo), que es lo que recomiendan los productos como Amazon utilizar. (http://en.wikipedia.org/wiki/Kn…)