內容過濾 中提及的筆記
內容過濾[[內容過濾]](content filtering)是[[推薦系統]] 的策略之一, 此方法主要針對使用者和商品建立個別資料(profile)紀錄其所包含的特徵...
推薦系統推薦系統是一種過濾系統,過濾掉對於使用者無用的資訊並同時保留使用者希望看到的資訊,其核心作法為基於已經建立好的使用者資訊或是商品資訊,進而篩選出符合使用者需求的商品,其中個人化推薦即為篩選出符合使用者喜偏好的商品...
Okapi BM25Okapi BM25 是經典資訊檢索模型之一,也是 [[Elasticsearch]] [[Elasticsearch similarity]] 計算檢索[[相關性分數]]的預設演算法。BM 是 Best Matching 的縮寫,25 是其實驗參數配置所實驗的次數...
協同過濾[[協同過濾]](collaborative filtering)是一種[[推薦系統]]的推薦策略,此種方法會分析已在系統中的使用者間、商品之間的相依關係,以推論使用者、商品間的關聯...
冷啟動問題在[[推薦系統]]的[[協同過濾]]方法中,系統會使用使用者的明確回饋(explicit feedback)或隱性回饋(implicit feedback)推斷其偏好以推薦的使用者有興趣的商品,然而無論是 Latent Factor Models 或是 Neighborhood Methods,都需要基於已有的商品使用者互動資訊來進行建模,因此每當有新加入的商品或是新使用者加入至系統,推薦系統因缺失相關互動資訊而無法進行推薦,此即為冷啟動問題(cold start problem)...