Machine learning 建筑及;StumbleUpon和x27的基本组件;s推荐引擎
我想知道stumbleupon如何为用户推荐文章Machine learning 建筑及;StumbleUpon和x27的基本组件;s推荐引擎,machine-learning,similarity,recommendation-engine,collaborative-filtering,Machine Learning,Similarity,Recommendation Engine,Collaborative Filtering,我想知道stumbleupon如何为用户推荐文章 它是使用神经网络或某种机器学习算法,还是根据用户“喜欢”的内容实际推荐文章,还是仅仅根据兴趣区的标签推荐文章?。对于标签,我的意思是,使用基于项目的协同过滤等。首先,我对S/U的推荐引擎一无所知。据我所知,我在过去几年里一直关注这个话题,并通过研究公开的资源(包括StumbleUpon自己在公司网站和博客上的帖子),当然,作为StumbleUpon的用户,我也学到了一些东西 我还没有找到一个权威的或其他的消息来源,接近于说“s/U推荐引擎是如何工
它是使用神经网络或某种机器学习算法,还是根据用户“喜欢”的内容实际推荐文章,还是仅仅根据兴趣区的标签推荐文章?。对于标签,我的意思是,使用基于项目的协同过滤等。首先,我对S/U的推荐引擎一无所知。据我所知,我在过去几年里一直关注这个话题,并通过研究公开的资源(包括StumbleUpon自己在公司网站和博客上的帖子),当然,作为StumbleUpon的用户,我也学到了一些东西 我还没有找到一个权威的或其他的消息来源,接近于说“s/U推荐引擎是如何工作的”,尽管这可以说是有史以来最成功的推荐引擎——统计数据是疯狂的,远远超过facebook,尽管注册用户只有facebook的一小部分(8亿对1500万);更重要的是,s/U实际上并不是一个有推荐引擎的网站,比如说Amazon.com,相反,该网站本身就是一个推荐引擎——在构建推荐引擎的一小群人中有大量的讨论和闲话,如果你仔细研究一下,我认为可以可靠地区分所使用的算法类型、提供给它们的数据源以及它们在工作数据流中的连接方式 下面的描述是我在底部的图表。数据流中的每个步骤都用罗马数字表示。我的描述是向后进行的——从URL交付给用户的点开始,因此在实际使用中,步骤I是最后一步,步骤V是第一步 三文鱼色的椭圆形=>数据源 浅蓝色矩形=>预测算法
I.向S/U用户推荐的网页是多步骤流程中的最后一步 二,。StumbleUpon推荐引擎提供了来自三个不同来源的数据(网页):
- 使用与预先确定的主题匹配的主题标记标记的网页 兴趣(用户表示为兴趣的主题,以及 可通过单击上方的“设置”选项卡查看/修改 登录用户页面的右角)
- 社会认可的页面(*该用户的朋友喜欢的页面*);及
- 同行认可的页面(*类似用户喜欢的页面*)