В последнее время на хабре было немало статей про персонализацию и рекомендательные системы. Вообще, это направление кажется одним из наиболее перспективных в анализе данных. Его элементы уже сейчас активно используются, например, в поиске (по некоторым запросам выдача для разных пользователей будет разной) и рекламе (Директ, AdSense). Однако исторически одной из первых областей применения был Amazon, который в начале 2000-х годов разработал и внедрил простейшую рекомендательную систему, основанную на принципах «Посоветовать товар, который другие пользователи, купившие такой же товар, как и данный покупатель, купили». Собственно, отсюда и растут ноги у одного из блоков рекомендаций на Амазоне — «What Other Items Do Customers Buy After Viewing This Item?». Разумеется, сейчас под этой вывеской показываются результаты работы гораздо более хитроумного алгоритма.
* Для публикации в хаб «Я пиарюсь» не хватает кармы, поэтому публикую в релевантный тематике хаб.
Читать полностью »
Рубрика «рекомендательные системы» - 9
Рекомендательная система для интернет-магазинов
2012-09-10 в 10:24, admin, рубрики: ecommerce, SaaS, рекомендательные системы, рекомендации, электронная коммерция, метки: ecommerce, SaaS, рекомендательные системы, рекомендацииРекомендательные системы: LDA
2012-08-31 в 14:45, admin, рубрики: LDA, Блог компании Surfingbird, рекомендательные системы, метки: LDA, рекомендательные системыВ прошлый раз я рассказывал о теореме Байеса и приводил простой пример – наивный байесовский классификатор. В этот раз мы перейдём к более сложной теме, которая развивает и продолжает дело наивного байеса: мы научимся выделять темы при помощи модели LDA (latent Dirichlet allocation), а также применим это к рекомендательным системам.
Рекомендательные системы: теорема Байеса и наивный байесовский классификатор
2012-08-26 в 13:45, admin, рубрики: байесовский подход, Блог компании Surfingbird, машинное обучение, рекомендательные системы, метки: байесовский подход, машинное обучение, рекомендательные системыВ этой части мы не будем говорить о рекомендательных системах как таковых. Вместо этого мы отдельно сконцентрируемся на главном инструменте машинного обучения — теореме Байеса — и рассмотрим один простой пример её применения — наивный байесовский классификатор. Disclaimer: знакомому с предметом читателю я вряд ли тут сообщу что-то новое, поговорим в основном о базовой философии машинного обучения.
Рекомендательные системы — будущее интернета
2012-06-08 в 17:08, admin, рубрики: Google Chrome, surfingbird, будущее здесь, рекомендательные системы, социальные сети, яндекс, метки: Google Chrome, surfingbird, рекомендательные системы, социальные сети, яндекс
Недавно наткнулся на новомодный тренд: рекомендательные системы, — на конкретного его представителя Surfingbird (нет, я не сотрудник данной компании). Сразу встал вопрос, как я могу на этом заработать, не стоит ли готовиться к очередной смене схемы поведения пользователей в сети?
Почему так серьезно?
Конкурс рекомендательных систем MSD Challenge
2012-05-03 в 9:33, admin, рубрики: challenge, data mining, Алгоритмы, конкурс, музыка, Программирование, рекомендательные системы, метки: challenge, data mining, конкурс, музыка, рекомендательные системы26 апреля стартовал конкурс рекомендательных систем Million Song Dataset Challenge. Завершение — через три месяца, 9 августа. В ходе конкурса нужно построить систему, которая по 100% истории прослушивания музыки для 1М пользователей и 50% истории для 100К пользователей сможет максимально точно достроить недостающие 50%. При этом доступны не только данные по прослушиванию, но и обширная база метаданных и даных по контенту от The EchoNest, MusicXMatch и Last.fm. При желании можно пользоваться любыми другими данными (у многих других музыкальных сервисов есть API, через который можно выудить ценную информацию).
Организаторы — CAL UCSD, LabROSA CU, IMIRSEL и UIUC.
Как такового приза у конкурса нет, но компания Zvooq решила сделать его чуть более интересным для российских участников. Лучшая команда из России (вне зависимости от абсолютного места) получит $5000 и возможность бесплатно отправить одного участника на ISMIR 2012.
Условия получения этого бонуса — все участники команды должны проживать в РФ, должно быть опубликовано описание используемого подхода (например, на Хабре или arxiv.org), команда должна заявить о себе на challenge@zvooq.com.
Рекомендательные системы: SVD на perl
2012-04-12 в 15:29, admin, рубрики: surfingbird, Блог компании Surfingbird, коллаборативная фильтрация, рекомендательные системы, метки: surfingbird, коллаборативная фильтрация, рекомендательные системы В предыдущих сериях мы обсудили, что такое сингулярное разложение (SVD), и сформулировали модель сингулярного разложения с базовыми предикторами. В прошлый раз мы уже довели дело до конкретных формул апдейта. Сегодня я продемонстрирую очень простую реализацию очень простой модели, мы применим её к уже знакомой матрице рейтингов, а потом обсудим, какие получились результаты.
Рекомендательные системы: SVD и базовые предикторы
2012-03-29 в 14:06, admin, рубрики: Блог компании Surfingbird, коллаборативная фильтрация, рекомендательные системы, метки: коллаборативная фильтрация, рекомендательные системы В прошлый раз я рассказал, пока в самых общих чертах, о сингулярном разложении – главном инструменте современной коллаборативной фильтрации. Однако в прошлый раз мы в основном говорили только об общих математических фактах: о том, что SVD – это очень крутая штука, которая даёт хорошие низкоранговые приближения. Сегодня мы продолжим разговор об SVD и обсудим, как же, собственно, использовать всю эту математику на практике.
Рекомендательные системы: SVD, часть I
2012-03-15 в 16:38, admin, рубрики: surfingbird, Блог компании Surfingbird, коллаборативная фильтрация, рекомендательные системы, метки: surfingbird, коллаборативная фильтрация, рекомендательные системыПродолжаем разговор о рекомендательных системах. В прошлый раз мы сделали первую попытку определить схожесть между пользователями и схожесть между продуктами. Сегодня мы подойдём к той же задаче с другой стороны – попытаемся обучить факторы, характеризующие пользователей и продукты. Если Васе из предыдущего поста нравятся фильмы о тракторах и не нравятся фильмы о поросятах, а Петру – наоборот, было бы просто замечательно научиться понимать, какие фильмы «о поросятах», и рекомендовать их Петру, а какие фильмы – «о тракторах», и рекомендовать их Васе.
Блог компании Surfingbird / Рекомендательные системы: user-based и item-based
2012-03-06 в 15:29, admin, рубрики: surfingbird, коллаборативная фильтрация, рекомендательные системыИтак, в прошлый раз мы немного поговорили о том, что такое вообще рекомендательные системы и какие перед ними стоят проблемы, а также о том, как выглядит постановка задачи коллаборативной фильтрации. Сегодня я расскажу об одном из самых простых и естественных методов коллаборативной фильтрации, с которого в 90-х годах и начались исследования в этой области. Базовая идея очень проста: как понять, понравится ли Васе фильм «Трактористы»? Нужно просто найти других пользователей, похожих на Васю, и посмотреть, какие рейтинги они ставили «Трактористам». Или с другой стороны: как понять, понравится ли фильм «Трактористы» Васе? Нужно просто найти другиеЧитать полностью »
Блог компании Surfingbird / Рекомендательные системы: постановка задачи
2012-02-28 в 10:34, admin, рубрики: surfingbird, коллаборативная фильтрация, рекомендательные системыВсем привет! Меня зовут Сергей, я математик, и я определяю развитие рекомендательной системы Surfingbird. Этой статьёй мы открываем цикл, посвящённый машинному обучению и рекомендательным системам в частности – пока не знаю, сколько в цикле будет инсталляций, но постараюсь писать их регулярно. Сегодня я расскажу вам, что такое рекомендательные системы вообще, и поставлю задачу чуть более формально, а в следующих сериях мы начнём говорить о том, как её решать и как учится наша рекомендательная система Tachikoma.
Рекомендательные системы – это модели, которые лучше васЧитать полностью »