Hvordan komme i gang med Recommender Systems

Hvordan komme i gang med Recommender Systems

Anbefalingssystemer kan være den vanligste typen prediktiv modell som gjennomsnittlig person kan møte.

De gir grunnlag for anbefalinger om tjenester som Amazon, Spotify og Youtube.

Anbefalingssystemer er et enormt skremmende tema hvis du nettopp er i gang. Det er et mylder av datatilberedningsteknikker, algoritmer og modellevalueringsmetoder.

Ikke alle teknikkene vil være relevante, og faktisk kan toppmoderne ignoreres for nå, da du sannsynligvis vil få veldig gode resultater ved å fokusere på det grunnleggende, for eksempel behandle det som et rett klassifiserings- eller regresjonsproblem .

Det er viktig å kjenne til det grunnleggende og ha alt lagt til rette for deg på en systematisk måte. For dette anbefaler jeg å skumme eller lese standardbøker og papirer om emnet og se på noen av de populære bibliotekene.

I denne opplæringen vil du oppdage ressurser du kan bruke for å komme i gang med anbefalingssystemer.

Etter å ha fullført denne opplæringen, vil du vite:

  • De beste gjennomgangspapirene om anbefalingssystemer du kan bruke til å raskt forstå tilstanden til feltet.
  • De beste bøkene om anbefalingssystemer der du kan lære algoritmene og teknikkene som kreves når du utvikler og evaluerer anbefalingssystemer.
  • De beste Python-bibliotekene og API-ene du kan bruke til å prototype og utvikle dine egne anbefalingssystemer.

La oss komme i gang.

Hvordan komme i gang med Recommender Systems

Hvordan komme i gang med Recommender Systems
Foto av Paul Toogood, noen rett forbeholdt.

Opplæringsoversikt

Denne opplæringen er delt inn i tre deler; de er:

  1. Papers on Recommender Systems
  2. Bøker om anbefalingssystemer
  3. Anbefalingssystembiblioteker

Papers on Recommender Systems

Forskningsartikler om anbefalingssystemer kan hjelpe deg med å komme deg raskt opp i felttilstanden.

Spesielt gjennomgangspapirer som bruker presist språk for å definere hva et anbefalsystem er, algoritmene som kan brukes, standard datasett og beregninger for å sammenligne algoritmer, og hint om toppmoderne teknikker.

Ved å skumme eller lese en håndfull gjennomgangspapirer om anbefalingssystemer, kan du raskt utvikle et fundament for å dykke dypere og begynne å utvikle dine egne systemer.

Feltet endres ikke så raskt, og teknikker fra 10 eller 20 år siden vil gi deg solide resultater.

Gjennomgå papirer om anbefalingssystemer Jeg anbefalte å etablere en grunnleggende forståelse inkluderer:

Matrix Factorization Techniques for Recommender Systems

Matrix Factorization Techniques for Recommender Systems

Når du har spørsmål om spesifikke teknikker, kan du finne artikler som fokuserer på disse teknikkene og dykker dypere.

Du kan søke etter artikler om spesifikke teknikker her:

Kjenner du til flere gode gjennomgangspapirer om anbefalingssystemer?
Gi meg beskjed i kommentarene nedenfor.

Bøker om anbefalingssystemer

Bøker om anbefalingssystemer gir plass til å legge ut feltet og ta deg med på en omvisning i teknikkene og gi deg detaljene du trenger for å forstå dem, med mer bredde og detaljer enn et mye kortere gjennomgangspapir.

Igjen, med tanke på at feltet er ganske modent, bør eldre bøker, som de som ble utgitt for ti år siden, ikke forsømmes umiddelbart.

Noen topp lærebøker utgitt av sentrale forskere i feltet inkluderer følgende:

Jeg eier en papirutgave av "Recommender Systems: An Introduction" og kan ikke anbefale den på det sterkeste.

Denne boka gir en oversikt over tilnærminger til utvikling av toppmoderne anbefalingssystemer. Forfatterne presenterer gjeldende algoritmiske tilnærminger for å generere personlige kjøpsforslag, for eksempel samarbeids- og innholdsbasert filtrering, samt mer interaktive og kunnskapsbaserte tilnærminger. De diskuterer også hvordan man måler effektiviteten til anbefalsystemer og illustrerer metodene med praktiske casestudier.

- Anbefalingssystemer: En introduksjon, 2010.

Innholdsfortegnelsen for denne boken er som følger:

  • Kapittel 1 Introduksjon
  • Kapittel 2: Samarbeidsanbefaling
  • Kapittel 3: Innholdsbasert anbefaling
  • Kapittel 4: Kunnskapsbasert anbefaling
  • Kapittel 5: Hybrid anbefaling tilnærminger
  • Kapittel 6: Forklaringer i anbefalingssystemer
  • Kapittel 7: Evaluering av anbefalingssystemer
  • Kapittel 8: Casestudie: Personlige spillanbefalinger på mobilt Internett
  • Kapittel 9: Angrep på samarbeidende anbefalingssystemer
  • Kapittel 10: Online forbrukerbeslutning
  • Kapittel 11: Anbefalingssystemer og neste generasjons nett
  • Kapittel 12: Anbefalinger i allestedsnærværende miljøer
  • Kapittel 13: Sammendrag og utsikter
Recommender Systems: En introduksjon

Recommender Systems: En introduksjon

Det kan være bra å få en håndbok om emnet med kapitler skrevet av forskjellige akademikere som oppsummerer eller fremmer deres foretrukne teknikker og metoder.

Jeg anbefaler denne håndboken:

Hvis du leter etter en mer praktisk bok, anbefaler jeg:

Har du lest en av disse bøkene? Eller kjenner du en annen flott bok om emnet?
Gi meg beskjed i kommentarene nedenfor.

Anbefalingssystembiblioteker

Du trenger sannsynligvis ikke å dykke inn i begynnelsen av kunsten, i det minste ikke umiddelbart.

Som sådan er standard maskinlæringsbiblioteker et flott sted å starte.

For eksempel kan du utvikle et effektivt anbefalingssystem ved hjelp av matrisefaktoriseringsmetoder (SVD) eller til og med en rett frem k-nærmeste nabomodell etter gjenstander eller av brukere.

Som sådan anbefaler jeg å starte med noen eksperimenter med scikit-learning:

Du kan øve på standard datasett med anbefalte systemer hvis dine egne data ennå ikke er tilgjengelige eller tilgjengelige, eller hvis du bare vil få tak på tingene først.

Populære standard datasett for anbefalingssystemer inkluderer:

Hvis du er klar for moderne teknikker, er et flott sted å starte "papirer med kode”Som viser både vitenskapelige artikler og lenker til kildekoden for metodene som er beskrevet i artikkelen:

Det finnes en rekke proprietære biblioteker og tjenester med åpen kildekode for anbefalersystemer.

Jeg anbefaler å holde deg til åpen kildekode Python-biblioteker i begynnelsen, for eksempel:

Har du brukt noen av disse bibliotekene til å utvikle et anbefalingssystem?
Gi meg beskjed i kommentarene nedenfor.

Sammendrag

I denne opplæringen oppdaget du ressurser du kan bruke for å komme i gang med anbefalingssystemer.

Spesielt lærte du:

  • De beste gjennomgangspapirene om anbefalingssystemer du kan bruke til å raskt forstå tilstanden til feltet.
  • De beste bøkene om anbefalingssystemer der du kan lære algoritmene og teknikkene som kreves når du utvikler og evaluerer anbefalingssystemer.
  • De beste Python-bibliotekene og API-ene du kan bruke til å prototype og utvikle dine egne anbefalingssystemer.

Har du noen spørsmål?
Still spørsmålene dine i kommentarene nedenfor, og jeg vil gjøre mitt beste for å svare.

Du kan også være interessert