Sistemas de recomendación a partir de retroalimentación implícita utilizando TensorFlow Recommenders

Sistemas de recomendación basados en retroalimentación implícita utilizando TensorFlow Recommenders

Cuando los clientes no te dicen explícitamente lo que desean

Hacer recomendaciones en realidad no es tan difícil. Solo tienes que verificar cómo tus clientes califican tus productos, por ejemplo, utilizando de 1 a 5 estrellas, y luego entrenar un modelo de regresión sobre eso. ¿Verdad?

De acuerdo, es posible que tengamos que lidiar con incrustaciones si no tenemos ninguna característica numérica de usuario o película, pero ya hemos visto cómo hacerlo en mi artículo anterior:

Introducción a los sistemas de recomendación basados en incrustaciones

Aprende a construir un sencillo sistema de recomendación de factorización de matrices en TensorFlow

towardsdatascience.com

• Experiencia de clasificación de texto sin entrenamiento con Scikit-LLM
• Esta investigación de Aprendizaje Automático desarrolla un modelo de IA para eliminar de manera efectiva los sesgos en un conjunto de datos.
• ChatGPT se adentra en el lado robótico la última maravilla mecánica de Boston Dynamics ahora responde verbalmente

También necesitaremos incrustaciones en este artículo, así que sugiero leer el artículo anterior antes de continuar.

Retroalimentación implícita

Sin embargo, a veces no estamos en la posición de tener retroalimentación explícita de los usuarios, como estrellas, pulgares hacia arriba o hacia abajo, o similares. Esto sucede bastante en el comercio minorista, donde sabemos qué cliente compró qué producto, pero no si realmente le gustó. Lo único que obtenemos de los clientes son señales implícitas sobre su interés en este producto.

Si compraron (vieron, consumieron, …) el producto, mostraron interés en él. Si no, tal vez no estuvieron interesados, pero tal vez simplemente no lo conocían todavía. No podemos saberlo.

Esto parece que podemos tratarlo como un problema de clasificación. Interesado = 1, no interesado = 0. Sin embargo, el problema pequeño es que no podemos estar seguros de que un 0 (no interesado) sea realmente un cero. También puede ser que el cliente simplemente nunca haya tenido la oportunidad de comprarlo, pero realmente le gustaría.

Volvamos a las películas y supongamos que no tenemos ninguna calificación. Solo sabemos qué usuario vio qué película.

We will continue to update Zepes; if you have any questions or suggestions, please contact us!