La Guía de Métricas para Recomendaciones
La Guía de Métricas para Recomendaciones de Belleza y Moda
Evaluando un sistema de recomendación offline puede ser complicado
Imagina la página principal de YouTube, que muestra videos que te podrían gustar, o Amazon que te sugiere comprar más productos que ellos venden. Estos son ejemplos de sistemas de recomendación que intentan mostrarte las cosas con las que más probablemente quieras interactuar.
Supongamos que has construido un sistema de recomendación con un método de tu elección. La pregunta es: ¿cómo lo evalúas offline, antes de ponerlo en producción y permitir que proporcione recomendaciones en un sitio web?
¡En este artículo aprenderás exactamente eso! Además, te diré por qué debes tener cuidado con estas métricas.
Para una introducción más completa, por favor consulta mi otro artículo que también te muestra cómo construir un sistema de recomendación desde cero utilizando TensorFlow.
- Creando mi propio Comic GPT con GPT-Store de OpenAI en solo tres pasos
- Todo sobre Algoritmos Codiciosos | Guía para Principiantes.
- Investigadores de Cambridge han desarrollado una aplicación de realidad virtual utilizando aprendizaje automático para dar a los usuarios la habilidad superhumana de abrir y controlar herramientas en realidad virtual.
Introducción a los Sistemas de Recomendación Basados en Embedding
Aprende a construir una recomendación simple de factorización de matrices en TensorFlow
towardsdatascience.com
Evaluación Offline de un Sistema de Recomendación
Encontremos primero una definición para un sistema de recomendación que englobe la mayoría de los sistemas que podrías diseñar o encontrar en la vida real.
Para nosotros, un sistema de recomendación es un algoritmo que toma al menos un usuario como entrada y produce una lista ordenada de elementos para recomendar a este usuario.
![Imagen del autor.](https://ai.miximages.com/miro.medium.com/v2/resize:fit:640/format:webp/1*Zjzv1O3p-Wu6NVw86j8P8A.png)
¿Por qué al menos un usuario? Puede haber más entradas como la época del año que pueden ayudar al modelo a aprender a no recomendar Santa Claus de Chocolate en verano.
Como ejemplo, un recomendador de frutas R que hemos construido puede hacer cosas como R(Alicia) = [manzana, naranja, cereza].
Nota: El usuario podría ser otra cosa, tal vez incluso otro artículo. Esto podría ser relevante si quieres construir un recomendador para alternativas cuando algún artículo en tu tienda está agotado. Entonces, tu recomendador toma un artículo como…
We will continue to update Zepes; if you have any questions or suggestions, please contact us!
Was this article helpful?
93 out of 132 found this helpful
Related articles
- Un equipo de investigadores de UC Berkeley y Stanford presenta S-LoRA un sistema de inteligencia artificial diseñado para el servicio escalable de muchos adaptadores LoRA
- Investigadores de Meta presentaron VR-NeRF un sistema avanzado de inteligencia artificial de extremo a extremo para la captura y renderización de espacios transitables de alta fidelidad en realidad virtual.
- Este artículo de IA presenta RuLES un nuevo marco de aprendizaje automático para evaluar la adherencia a reglas en modelos de lenguaje grandes frente a ataques adversarios
- Esta investigación de IA de China presenta Consistent4D Un nuevo enfoque de inteligencia artificial para generar objetos dinámicos en 4D a partir de videos monocu
- Investigadores de la Universidad Johannes Kepler presentan GateLoop Avanzando en el modelado de secuencias con recurrencia lineal y transiciones de estado controladas por datos’.
- El poder de la IA en predecir el comportamiento de pago del consumidor
- ¿Estás utilizando la Generación Aumentada con Recuperación (RAG) para Biomedicina? Conoce a MedCPT Un Modelo Transformador Pre-entrenado Contrastivo para la Recuperación de Información Biomédica sin Necesidad de Datos de Entrenamiento