Comment construire un film prescripteur système?

  • Quelle est la meilleure approche?
  • Quels sont les algorithmes utilisés? Quelles sont leurs forces et faiblesses?
  • Pourquoi ne film courant prescripteur systèmes échouent à fournir de bonnes recommandations?
probablement webmasters.stackexchange.com est le meilleur endroit pour répondre à cette question
Puis-je savoir pourquoi?
"Pourquoi la plupart des film prescripteur systèmes sucer?" ne sonne pas comme une question de programmation. peut-être que je ne suis pas juste à propos de la webmasters.stackexchange.com
Ce n'est pas un responsable de la question. S'il vous plaît ne pas jeter sur un autre site.
Juste parce que vous ne connaissez pas la réponse n'est pas faire de cette question impossible à répondre. Si Il n'est pas convenable pour un Débordement de Pile, je peux les comprendre. Je ne vois pas pourquoi si, c'est un algorithme pour le problème après tout.

OriginalL'auteur melhosseiny | 2011-03-09

  1. 8

    C'est très une question ouverte qui implique beaucoup de concepts différents.

    Comme un premier point de discussion, d'envisager la k-plus proche voisin de l'algorithme. Il est largement utilisé dans des problèmes similaires à votre film sélecteur. Un gros problème avec cet algorithme est l'homme de l'entrée en décidant de la façon dont de nombreuses dimensions que vous utilisez pour segmenter vos fonctionnalité de l'espace et de choisir les propriétés de chacune de ces dimensions, de sorte que chacun ajoute de la valeur, plutôt que de dupliquer la valeur d'une autre dimension.

    Directement liées à la k-NN algorithme est le domaine de la analyse de cluster. Lorsque vous tracez les points de données pour des informations touffes dans les plus dispersés valeurs aberrantes que vous pouvez intuitivement voir qu'il y a de la nature de la similarité dans le touffu points. Vous pouvez être en mesure de facilement regrouper certains de la dispersion des valeurs aberrantes avec l'un ou l'autre de la touffe, mais il y aura beaucoup de points qui se situent entre les touffes qui pourraient correspondre à deux ou plusieurs concurrents, les touffes. La seule façon de remédier à ce dilemme est d'ajouter plus de paramètres dimensionnels de vos points de données de sorte que ceux non engagés, les valeurs aberrantes sont tirés d'une touffe. (Suivez le lien pour voir une belle photo de toute les données.)

    Cette brève introduction nous amène au deuxième concept: La Reconnaissance Des Formes. Ce sujet est math-lourds et l'objet de beaucoup de recherche dans le champ Théorique de l'Informatique, des Statistiques, Intelligence Artificielle, Apprentissage automatique, et la Voyance. Cette dernière est un semi-plaisanterie, mais il pointe vers le cœur de votre problème: Comment un ordinateur peut-il prédire ce que vous allez faire à l'avenir? La réponse courte est qu'il ne peut pas. La plus longue réponse tente d'expliquer pourquoi vos goûts et vos humeurs changent dans des directions aléatoires à des moments apparemment aléatoires. Un bon modèle de système de reconnaissance pourrait prendre 20 films que vous aimez vraiment et puis recommander un autre de la même touffe que les 20 autres qui, selon vous, à fond la haine. Lorsque le système n'est pas? C'était dans l'implémentation de l'algorithme, la sélection initiale des paramètres pour les dimensions de votre fonctionnalité de l'espace, ou votre profil d'obtenir foiré parce que quelqu'un d'autre utilise votre compte Netflix à l'ordre de " Howard le Canard', 'Croisière", et " Plages'?

    La page de wikipedia pour "Pattern Recognition", énumère un grand nombre de différentes méthodes et algorithmes. Vous pouvez démarrer la lecture pour obtenir un meilleur contrôle sur les forces et les faiblesses. Vous pouvez également essayer de poser cette question dans le En Informatique Théorique pile pour obtenir le poil long réponses.

    OriginalL'auteur oosterwal

  2. 3

    Une équipe de BellKor remporté le Netflix Prix. Donc, sans doute, cette approche peut être la meilleure approche.

    À donner à un haut niveau, intuitif, explication de la façon dont ces systèmes de recommandation de travail, considérons la situation suivante. Je regarde Star Wars, deux fois par semaine. Maintenant, si vous deviez recommander un film pour moi que je voudrais, quel film aimeriez-vous choisir? Un film avec Harrison Ford? Un film de science-fiction? Peut-être un film qui a été fait dans les années 80?

    La grande idée derrière les systèmes de recommandation est que plus ils savent ce que vous aimez (c'est à dire quelles genres, acteurs, etc), la meilleure des recommandations qu'ils peuvent apporter.

    Toutefois, si vos goûts sont en contradiction avec une autre (par exemple, vous aimez Sauver le soldat Ryan, mais aussi les films d'amour sur des pacifistes), il sera difficile de recommander un film pour vous.

    En bref, de nombreux algorithmes de recommandation besoin de savoir:

    1. Ce que vous aimez: il s'agit de savoir quelle fonction utiliser dans l'enregistrement de ce que les films que vous aimez. E. g. quel est le genre du film, quels sont les acteurs dans le film, etc.
    2. Ce que les films sont similaires à ce que vous aimez. Cela implique de trouver une bonne métrique de similarité basée sur l'ensemble des caractéristiques à utiliser dans l'étape précédente.

    OriginalL'auteur Weiser