سیستم های توصیه: تفاوت بین فیلتر کردن مقاله به مقاله و فیلترینگ محتوا چیست؟


پاسخ 1:

در مقاله 2 ، فیلتر مشترک ، مقالات را با توجه به بررسی کاربران مقایسه کنید. اگر ماتریس ابزار شما در هر متر عنصر n کاربر دارد ، بردارهای ستون را از آن ماتریس مقایسه کنید.

در توصیه محور محتوا ، عناصر را بر اساس کارکردهای آنها برای فیلم هایی از قبیل عنوان ، ژانر ، تاریخ انتشار ، کارگردان ، تهیه کننده ، استودیو و غیره مقایسه می کنید.


پاسخ 2:

فیلترینگ مبتنی بر محتوا برای توصیه‌ها از ویژگیهای (ابرداده) محصول مورد نظر کاربر و ویژگیهای شخصیتی کاربر استفاده می کنید. از طرف دیگر ، شما فقط "سلیقه" کلی را در مقاله CF از مقاله به مقاله در نظر می گیرید. این بدان معنی است که شما می توانید با شکستن ماتریس رتبه بندی پر جمعیت ، شکستن رتبه بندی اولیه از عناصری که کاربر هنوز رتبهدهی نشده است ، تجزیه کنید و با استفاده از یک شکل اصلاح شده از SVD و یک ماتریس رتبه بندی اولیه ، آن را در ماتریس های اولیه کاربر و عناصر قرار دهید. ایجاد کنید اکنون نفر بالا را از این کاربر یا کاربر مشابه انتخاب کنید.


پاسخ 3:

به زبان ساده ، همکاری مبتنی بر شیء با سایر موارد کاربر در مورد کالایی که مشاهده می کنید یا خریداری می کنید ، سروکار دارد. این نوع فیلتر به طور کلی همزمان صورت می گیرد و خواص محصول برای توصیه هیچ اهمیتی ندارد. به عنوان مثال ، من یک فن سقفی خریداری می کنم و سپس سیستم توصیه می کند که من لامپ بخرم (این به این دلیل است که بسیاری از افرادی که فن های سقفی خریداری می کنند نیز لامپ می خرند و نه به این دلیل که فن و لامپ سقفی مرتبط هستند. این اطلاعات به طور کلی تبدیل می شوند. استخراج متن کاربر)

وقتی در مورد فیلترینگ محتوا صحبت می کنیم ، ویژگی های از پیش تعریف شده محصولات به طور کلی مطابقت دارند و محصولات مشابه نیز توصیه می شوند. به عنوان مثال ، اگر کاربر دوربین Cannon D450 را خریداری کند ، سیستم لنزها و سایر دوربینهای مدل مشابه را پیشنهاد می کند. (این توصیه ها مبتنی بر این واقعیت است که فقط محصولات مربوط به عنصر اصلی ، در برخی از خصوصیات مانند مدل یا لنزهای سازگار و غیره و همچنین این اطلاعات در مورد محصول از داده های ذخیره شده حاصل می شود).


پاسخ 4:

به زبان ساده ، همکاری مبتنی بر شیء با سایر موارد کاربر در مورد کالایی که مشاهده می کنید یا خریداری می کنید ، سروکار دارد. این نوع فیلتر به طور کلی همزمان صورت می گیرد و خواص محصول برای توصیه هیچ اهمیتی ندارد. به عنوان مثال ، من یک فن سقفی خریداری می کنم و سپس سیستم توصیه می کند که من لامپ بخرم (این به این دلیل است که بسیاری از افرادی که فن های سقفی خریداری می کنند نیز لامپ می خرند و نه به این دلیل که فن و لامپ سقفی مرتبط هستند. این اطلاعات به طور کلی تبدیل می شوند. استخراج متن کاربر)

وقتی در مورد فیلترینگ محتوا صحبت می کنیم ، ویژگی های از پیش تعریف شده محصولات به طور کلی مطابقت دارند و محصولات مشابه نیز توصیه می شوند. به عنوان مثال ، اگر کاربر دوربین Cannon D450 را خریداری کند ، سیستم لنزها و سایر دوربینهای مدل مشابه را پیشنهاد می کند. (این توصیه ها مبتنی بر این واقعیت است که فقط محصولات مربوط به عنصر اصلی ، در برخی از خصوصیات مانند مدل یا لنزهای سازگار و غیره و همچنین این اطلاعات در مورد محصول از داده های ذخیره شده حاصل می شود).