الگوریتم توصیه شده چگونه کار می کند؟ – سرسخت

از سیستم های توصیه ای برای ارائه خودکار محصولاتی که می توانند به آنها علاقه مند باشند استفاده می شود. این سیستم ها به طور گسترده در تجارت الکترونیکی ، جریان ویدیو ، سیستم عامل های موسیقی و بسیاری از مناطق دیگر مورد استفاده قرار می گیرند.

1. روشهای توصیه

سیستم های توصیه از انواع فناوری ها استفاده می کنند. بیشترین محبوبیت ها عبارتند از:

1.1 تجدید حیات

به این روش توصیه هایی بر اساس دسته ، قیمت ، رتبه بندی و سایر ویژگی های محصولات ارائه شده است.

مثال: اگر کاربر یک Apple MacBook Pro را دیده است ، توسط لپ تاپ های دیگر توصیه نمی شود ، اما از مارک اپل نیست.

SELECT * FROM products
WHERE category = 'Laptop'
AND brand != 'Apple'
ORDER BY ABS(price - 2500) ASC, rating DESC
LIMIT 5;

توضیح:

محصولات موجود در گروه لپ تاپ گرفته می شوند.

اپل مستثنی است.

محصولات نزدیک به قیمت 2500 دلار یافت می شود.

مرتب شده توسط رتبه بندی و بهترین انتخاب ها.

1.2 فیلتر همکاری (فیلتر جمع)

در این روش ، توصیه ها بر اساس اقدامات سایر کاربران ارائه می شود.

مثال: اگر کاربر یک Apple MacBook Pro و Dell XPS 15 را دیده است ، توصیه می شود Dell XPS 15 اگر کاربر فقط Apple MacBook Pro کاربر را دیده باشد.

KED (پایتون ، Scikit-Learn:

from surprise import SVD
from surprise import Dataset
from surprise.model_selection import train_test_split

# Ma'lumotlarni yuklash
data = Dataset.load_builtin('ml-100k')
trainset, testset = train_test_split(data, test_size=0.2)

# Modelni yaratish
model = SVD()
model.fit(trainset)

# Rekomendatsiya olish
predictions = model.test(testset)

توضیح:

داده ها بارگیری می شوند (ارتباط با کاربران و محصولات آنها).

SVD (Demexposity ارزش مفرد) اعمال می شود.

توصیه ها به کاربران ارائه شده است.

1.3 بازگو کردن مبتنی بر محتوا

در این روش ، شباهت ها شباهت هایی بر اساس هر محصول هستند.

کد (پایتون ، TF-IDF Bilan):

from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics.pairwise import cosine_similarity

# Mahsulot tavsiflari
descriptions = [
    "Apple MacBook Pro, 16GB RAM, 512GB SSD",
    "Dell XPS 15, 16GB RAM, 512GB SSD",
    "Asus ZenBook, 16GB RAM, 512GB SSD"
]

# TF-IDF model yaratish
vectorizer = TfidfVectorizer()
X = vectorizer.fit_transform(descriptions)

# Kosinus o‘xshashlikni hisoblash
similarity_matrix = cosine_similarity(X)
print(similarity_matrix)

توضیح:

توضیحات محصول به دست می آید.

با استفاده از TF -IDF (فرکانس اصطلاح – سند وارونگی) ، متون به فرم بردار منتقل می شوند.

Cosineus مشابه است ، مشابه ترین محصولات یافت می شود.

پایان

الگوریتم های توصیه می توانند بر اساس روش های مختلف انجام شوند. توصیه می شود برای به دست آوردن بهترین نتیجه ، چند روش را با هم ترکیب کنید. به عنوان مثال ، می توان از روش همکاری + روش مبتنی بر محتوا توصیه های خاص تری ارائه داد.

اگر در حال تهیه یک Salform Product هستید ، با یک روش مبتنی بر قانون شروع کنید ، می توانید مدل های AI را اضافه کنید!