Es posible que desee detallar los detalles de su pregunta, pero lo intentaré.
Debe combinar las calificaciones de los grupos de usuarios más similares. Estos grupos de usuarios formarán estereotipos, sobre los cuales puede combinar el usuario actual. Todo se convierte en un juego de recomendación de front-end bayesiano de estereotipos de usuario en el que envía las propias calificaciones de los usuarios como vector de entrada, que se corresponde con el mejor ajuste de los estereotipos.
Todos los estereotipos elegidos tendrán sus recomendaciones para productos sin calificación, basados en un modelo de su elección, por ejemplo, sumar las calificaciones y dividir por promedio.
- ¿Es Bayes jerárquico básicamente una introducción de hiperparámetros en el modelo?
- ¿Qué es una explicación simplificada y una prueba del lema de Johnson-Lindenstrauss?
- ¿Qué es la estimación de contraste de ruido (NCE)?
- ¿Cuáles son algunos algoritmos que un científico de datos debe saber y comprender?
- Si existieran interfaces neuronales, ¿cuáles serían las aplicaciones civiles? ¿Cuántos tendría, por qué?
La calificación que se muestra para el usuario es la suma probabilística de todos los mejores estereotipos de abeto: si el 20% de ajuste tiene 5 estrellas, el 30% de ajuste tiene 4 estrellas y el 50% de ajuste proporciona solo 2 estrellas, la calificación final será de aproximadamente 3 estrellas.
Este modelo permitirá las pruebas A / B y el aprendizaje de refuerzo para su sistema de recomendaciones más adelante.
La idea es calcular previamente los conjuntos de resultados, que se ajustan más fácilmente a las memorias caché. Las matrices dispersas no se escalan.