Es posible agrupar diferentes enfoques de recomendación, como a priori , alguna forma de factorización matricial, etc. Estos son casos de uso y restricciones típicas:
- Apriori :
- No necesitamos conocer al usuario, pero necesitamos conocer todas las transacciones en cada cesta.
- Sugiere el mejor artículo posible en la cesta una vez que se selecciona al menos un artículo.
- Es posible agrupar a los usuarios (si los datos del usuario están disponibles) en función de su patrón de compra, y construir modelos a priori para cada grupo (generalmente un modelo completo como una opción alternativa).
- Requiere un cuidadoso ajuste de soporte, confianza y elevación.
2. Factorización matricial :
- Requiere matriz de elementos de usuario (aunque escasa).
- Es posible elegir cuidadosamente subconjuntos de usuarios y elementos para realizar múltiples factorizaciones matriciales, pero se vuelve complicado.
- Si los elementos o usuarios son diversos, el recomendante pierde el contexto pero ayuda a descubrirlo.
- Las listas Top-n son una característica útil para un elemento o usuario dado.
- A veces se requiere comprender el sistema para conocer los factores latentes (los métodos de muestreo no siempre son factibles).
- ¿Se están realizando estudios actuales que utilicen la minería de datos o el aprendizaje automático en campos científicos?
- ¿Cuáles son los principales enfoques de la inteligencia artificial?
- ¿Cómo se puede aplicar el aprendizaje profundo a la clasificación de palabras?
- ¿Python es más lento que MATLAB para la ciencia de datos y el aprendizaje automático?
- ¿Cuál es la diferencia entre el análisis de opinión y el análisis de tonalidad?
