Механизм рекомендаций для СМИ - Однопользовательская система - Как начать

Question

Я хочу реализовать механизм рекомендаций для СМИ. Я видел похожие посты по этому вопросу, но я думаю, что мои требования немного отличаются от тех, поэтому размещать здесь.

Вот сделка.

Я хочу внедрить механизм рекомендаций для медиаплееров, таких как VLC, который будет обслуживать только одного пользователя. Мол, он будет встроен в медиаплеер на ПК, который обычно используется одним пользователем. И он начнет изучать симпатии и антипатии пользователя и постепенно узнает, что ему нравится. Здесь он не сможет найти похожих пользователей для использования их данных для рекомендации в качестве однопользовательской системы. Так как это сделать?

Или вы можете рассматривать его как механизм рекомендаций, который нужно добавить, скажем, в iPod, который должен узнать об одном пользователе и рекомендовать музыку / фильмы из имеющихся у него коллекций.

Я подумал начать собирать жанр музыки / фильмов (возможно, даже имя исполнителя), который пользователь смотрит и рекомендует фильмы из наиболее просматриваемого жанра, но это выглядит очень грубо, не так ли?

Так есть ли какие-либо алгоритмы, которые я могу использовать или какие ресурсы я могу ссылаться?

С Уважением,

МикроКернел:)

Answer 1

То, что вы пытаетесь сделать, довольно сложно... особенно потому, что оно все еще находится на стадии исследования, и многие доктора наук из авторитетных университетов по всему миру пытаются найти хорошее решение для этого.

Вот некоторые вещи, которые могут вам понадобиться:

1. Данные, которые вы можете проанализировать:
   • Много и много, и много данных!
   • Это могут быть метаданные о медиа (имя, продолжительность, название, автор, стиль и т. Д.)
   • Или вы можете попытаться извлечь какую-то безумную функцию из самого медиа.
2. Ссылки для сопоставления данных с.
   • Поскольку вы не можете получить других пользователей, вам всегда нужны отзывы пользователей.
   • Если вы не хотите досадно раздражать вашего пользователя вопросами обратной связи, подключите ваше приложение к центральному серверу, чтобы вы могли сравнивать пользователей.
3. Алгоритм, который может достаточно хорошо моделировать ваши данные.
   • Если у вас нет опыта, попробуйте k-ближайший сосед (самый простой).
   • Совместная фильтрация
   • Корреляции Пирсона
   • Матричная Факторизация / Разложение
   • Разложение по сингулярным числам (SVD)
   • Обучение ансамблю <- позволяет комбинировать несколько алгоритмов и использовать их преимущества.

Победители премии NetFlix сказали это:

Точность прогнозирования существенно улучшается при смешивании нескольких предикторов. Наш опыт показывает, что большая часть усилий должна быть сосредоточена на выработке существенно разных подходов, а не на усовершенствовании одного метода. Следовательно, наше решение представляет собой множество методов.

Заключение:

Не существует серебряной пули для двигателей рекомендаций, и требуются годы исследований, чтобы найти хорошую комбинацию алгоритмов, которые дают достаточные результаты.:)