Capítulo 8. Profundización en el Filtrado Colaborativo
Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: translation-feedback@oreilly.com
Un problema común a resolver es tener una serie de usuarios y una serie de productos, y quieres recomendar qué productos tienen más probabilidades de ser útiles para qué usuarios. Existen muchas variantes: por ejemplo, recomendar películas (como en Netflix), averiguar qué destacar para un usuario en una página de inicio, decidir qué historias mostrar en un feed de redes sociales, etc. Una solución general a este problema, denominada filtrado colaborativo, funciona así: mira qué productos ha utilizado o le han gustado al usuario actual, encuentra a otros usuarios que hayan utilizado o les hayan gustado productos similares y, a continuación, recomiéndales otros productos que esos usuarios hayan utilizado o les hayan gustado.
Por ejemplo, en Netflix, es posible que hayas visto muchas películas de ciencia ficción, llenas de acción y de los años setenta. Puede que Netflix no conozca estas propiedades concretas de las películas que has visto, pero podrá ver que otras personas que han visto las mismas películas que tú también tendían a ver otras películas que son de ciencia ficción, llenas de acción y hechas en los años 70. En otras palabras, para utilizar este enfoque, no necesitamos saber necesariamente nada sobre las películas, excepto a quién le gusta verlas.
Hay una clase más general de problemas que este enfoque ...
Get Aprendizaje profundo para programadores con fastai y PyTorch now with the O’Reilly learning platform.
O’Reilly members experience books, live events, courses curated by job role, and more from O’Reilly and nearly 200 top publishers.
