Construction d’un système de recommandation pour les données de rétroaction implicite

Système de recommandation pour la rétroaction implicite

Fournir des recommandations personnalisées sans connaître vos utilisateurs.

Chaque système de recommandation est différent, et certains sont beaucoup plus faciles à construire que d’autres. Pensez à Netflix. Ils connaissent tout sur chacun de leurs films, disposent de données personnelles riches sur les utilisateurs et d’une abondance de données produites par les utilisateurs : lectures, évaluations, temps de visionnage, etc. Dans cet environnement riche en données, on peut être sûr que les données disponibles contiennent les informations nécessaires pour produire un bon modèle. Cependant, parfois, nous n’avons pas beaucoup de données sur nos utilisateurs ou nos produits. Voici ce qu’il faut faire dans ces cas-là.

Feedback implicite

Le contexte dans lequel il n’y a pas de données disponibles pour décrire nos utilisateurs, nos produits ou le sentiment des interactions utilisateur-produit est appelé feedback implicite. Les seules données dont nous disposons dans ce cas sont le nombre de fois qu’une interaction s’est produite entre chaque utilisateur et produit, par exemple, le nombre de fois qu’un utilisateur donné a écouté un artiste donné. En revanche, nous ne savons pas s’ils aiment les artistes ou non ; il n’y a pas d’évaluations disponibles.

Les données de feedback implicite comprennent uniquement le nombre d’interactions entre chaque utilisateur et produit.

• Prédire la rétrosynthèse en une seule étape en incorporant les connaissances des chimistes avec les modèles d’IA
• Principes de gestion des données pour la science des données
• QCNet Révolutionner la sécurité des véhicules autonomes avec une prédiction avancée de trajectoire

Il est vrai que si quelqu’un écoute beaucoup un groupe, nous pourrions en déduire qu’il l’aime. Mais c’est exactement cela : notre déduction. Les données elles-mêmes ne fournissent que des informations sur le nombre d’interactions. De plus, le fait qu’un utilisateur n’ait pas écouté un artiste ne signifie pas qu’il ne l’aurait pas aimé s’il avait écouté sa musique.

Les scénarios de feedback implicite sont assez courants, surtout en dehors des grandes entreprises technologiques axées sur la technologie, et ils posent quelques défis. Ils nous empêchent d’utiliser des méthodes de filtrage basées sur le contenu en raison du manque de données sur les caractéristiques des produits. Le filtrage basé sur le contenu utiliserait les caractéristiques des produits pour trouver des produits similaires à ceux qu’un utilisateur aime.

Une approche alternative est connue sous le nom de filtrage collaboratif. Ici, nous profitons des interactions passées de l’utilisateur cible ainsi que de celles des utilisateurs similaires pour recommander des produits pertinents. Cependant, nous devons être conscients du fait que nous n’avons pas le sentiment des interactions utilisateur-produit lors de la mise en œuvre de la collaboration…

We will continue to update IPGirl; if you have any questions or suggestions, please contact us!