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.

¿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!