1
00:00:00,000 --> 00:00:03,416
>> [Musikwiedergabe]

2
00:00:03,416 --> 00:00:05,860

3
00:00:05,860 --> 00:00:08,180
>> BRAIN Scassellati: Willkommen
auf den CS50 AI-Serie.

4
00:00:08,180 --> 00:00:12,600
Mein Name ist Scass, und heute werden wir
über Empfehlungssysteme sprechen.

5
00:00:12,600 --> 00:00:15,780
Jetzt Empfehlungssysteme Sounds
wie Art von einer ungeraden Namen.

6
00:00:15,780 --> 00:00:18,630
Es klingt wie es vielleicht sollte
sein Empfehlungssysteme,

7
00:00:18,630 --> 00:00:21,290
und ich irgendwie einverstanden mit Ihnen.

8
00:00:21,290 --> 00:00:26,110
Aber das sind die Systeme, die helfen,
Wählen Sie aus ähnlichen Dingen, wenn

9
00:00:26,110 --> 00:00:28,210
Sie etwas online zu wählen.

10
00:00:28,210 --> 00:00:32,119
Netflix, zum Beispiel werden andere vorschlagen
Filme, die Sie vielleicht zu beobachten.

11
00:00:32,119 --> 00:00:36,660
Oder Pandora wird vorschlagen, verschiedene
Songs, die Sie vielleicht zu hören.

12
00:00:36,660 --> 00:00:40,940
Amazon wird vorschlagen, welche Arten von
andere Produkte möchten Sie vielleicht, um zu kaufen.

13
00:00:40,940 --> 00:00:43,520
Facebook wird sogar darauf hin,
weitere Freunde

14
00:00:43,520 --> 00:00:45,440
dass Sie vielleicht hinzufügen.

15
00:00:45,440 --> 00:00:49,800
Jedes dieser Systeme arbeiten mit
die gleiche grundlegende Art von Algorithmus,

16
00:00:49,800 --> 00:00:52,520
und das ist, was wir sind
werde heute sprechen.

17
00:00:52,520 --> 00:00:56,860
>> Nun sind diese Algorithmen sind
raschend großes Geschäft.

18
00:00:56,860 --> 00:01:01,130
Netflix vor einigen Jahren in
2009 bot eine $ 1.000.000

19
00:01:01,130 --> 00:01:07,240
Preis, wenn Sie verbessern könnten ihre
Empfehlungssystem von nur 10%.

20
00:01:07,240 --> 00:01:11,960
Dass 10%, obwohl für einen
beträchtliche Menge von Geschäft.

21
00:01:11,960 --> 00:01:15,330
Schätzungen sind schwer zu
kommen durch, aber viele Leute

22
00:01:15,330 --> 00:01:19,050
glauben, dass diese Empfehlung
Systeme für einen Online-Einkauf

23
00:01:19,050 --> 00:01:25,729
System wie Amazon Blei irgendwo
zwischen 10% und 25% höhere Einnahmen.

24
00:01:25,729 --> 00:01:27,770
So können Sie das vorstellen,
Art von Volumen, das Sie

25
00:01:27,770 --> 00:01:32,860
reden, wenn wir darüber nachdenken,
sogar diese kleinen Algorithmen.

26
00:01:32,860 --> 00:01:35,200
>> Also lassen Sie uns einige Beispiele.

27
00:01:35,200 --> 00:01:38,460
Wie kommt es, dass diese
Systeme wirklich funktionieren?

28
00:01:38,460 --> 00:01:40,773
Es gibt zwei grundlegende
Arten von Algorithmen,

29
00:01:40,773 --> 00:01:45,050
im Spiel sind, wenn wir sprechen
Erzeugungs Empfehlungen.

30
00:01:45,050 --> 00:01:48,650
Die ersten, die genannt werden
der inhaltsbasierten Filterung.

31
00:01:48,650 --> 00:01:53,410
Und der inhaltsbasierten Filterung stützt
auf Ähnlichkeiten zwischen den Einzelteile

32
00:01:53,410 --> 00:02:00,370
selbst ist zwischen zwei Filmen, dass
oder zwei Songs oder zwei gekaufte Artikel.

33
00:02:00,370 --> 00:02:03,190
Wir werden Filme verwenden
Als Beispiel, aber das

34
00:02:03,190 --> 00:02:07,850
könnte gelten, wirklich, für jede Art
von Objekt, das wir suchen.

35
00:02:07,850 --> 00:02:13,330
>> Also, wenn ich über einige denken,
Filme aus dem letzten Jahr,

36
00:02:13,330 --> 00:02:16,799
Ich sah Inside Out mit
meine Kinder, sie liebten es.

37
00:02:16,799 --> 00:02:17,840
Aber wir hatten auch eine Wahl.

38
00:02:17,840 --> 00:02:21,350
Wir könnten gegangen, um Minions zu sehen haben,
Wir Age of Ultron sehen konnte,

39
00:02:21,350 --> 00:02:24,850
oder wir gesehen haben könnte
Ant Man in den Theatern.

40
00:02:24,850 --> 00:02:27,580
>> Für jede dieser
Filme, die wir vorstellen kann

41
00:02:27,580 --> 00:02:33,320
Erzeugen einer Liste von Funktionen oder
Eigenschaften über diese verschiedenen Filmen.

42
00:02:33,320 --> 00:02:37,190
So zum Beispiel, ich könnte in Erwägung ziehen
welche dieser Filme animiert.

43
00:02:37,190 --> 00:02:39,960
Nun, beide Inside Out
und Minions sind animiert.

44
00:02:39,960 --> 00:02:44,140
Weder Alter noch der Ultron
Ant Man gibt animierte Filme.

45
00:02:44,140 --> 00:02:47,040
Und ich konnte Gebäudes vorstellen
eine Struktur, eine Tabelle,

46
00:02:47,040 --> 00:02:49,440
listet jede dieser Eigenschaften.

47
00:02:49,440 --> 00:02:51,790
Werden sie animiert oder nicht?

48
00:02:51,790 --> 00:02:54,780
Ich konnte dann fügen Sie mehr
Merkmale dieser Tabelle

49
00:02:54,780 --> 00:02:58,380
durch Hinzufügen von weiteren Zeilen in diese Struktur.

50
00:02:58,380 --> 00:03:00,970
Ich fragen konnte, ob
nicht sie Marvel-Filme.

51
00:03:00,970 --> 00:03:04,010
Nun, Inside Out und Minions
nicht Marvel-Filme,

52
00:03:04,010 --> 00:03:06,715
Age of Ultron und Ant Man sicherlich.

53
00:03:06,715 --> 00:03:09,100
>> Und ich konnte alle Arten Fragen
verschiedener Qualitäten

54
00:03:09,100 --> 00:03:12,080
dass ich wollte, alle Arten von Funktionen
das könnte mir wichtig zu sein.

55
00:03:12,080 --> 00:03:13,440
Haben sie ein Super-Bösewicht haben?

56
00:03:13,440 --> 00:03:16,700
Nun, es gibt keinen Superschurken in Inside
Aus, aber es sind diejenigen, in Minions

57
00:03:16,700 --> 00:03:19,990
und natürlich der
zwei Superhelden-Filme.

58
00:03:19,990 --> 00:03:23,900
>> Ich könnte auch Dinge wie, fragen,
sie passieren die Bechdel Test?

59
00:03:23,900 --> 00:03:27,280
Gibt es zwei Namen
weibliche Charaktere, die

60
00:03:27,280 --> 00:03:30,550
verbringen einige bedeutende Menge
Zeit mit einem Gespräch,

61
00:03:30,550 --> 00:03:34,400
nicht um Menschen in der gegossenen?

62
00:03:34,400 --> 00:03:39,870
Nun, in diesem Fall geht Inside Out
der Test scheitert Minions, Age of Ultron

63
00:03:39,870 --> 00:03:42,990
den Test und Ant Man scheitert.

64
00:03:42,990 --> 00:03:45,020
Eine dieser Funktionen
Ich denken konnte

65
00:03:45,020 --> 00:03:48,660
als wichtig für einige Menschen.

66
00:03:48,660 --> 00:03:52,000
>> Ich könnte auch fragen, wie die Dinge sind,
es Menschen in diesen Filmen,

67
00:03:52,000 --> 00:03:57,190
sind Alumni aus lassen Sie uns sagen, Parks und
Erholung, einer meiner Lieblings-Shows.

68
00:03:57,190 --> 00:04:00,540
Nun, Inside Out Amy
Poehler, das ist ein Alumni.

69
00:04:00,540 --> 00:04:01,530
Das zählt.

70
00:04:01,530 --> 00:04:04,110
Jon Hamm war in Minions.

71
00:04:04,110 --> 00:04:08,600
Paul Rudd war in Ant Man, aber niemand
im Alter von Ultron war in Parks und Req

72
00:04:08,600 --> 00:04:10,150
auch.

73
00:04:10,150 --> 00:04:12,990
So kann ich bauen diese Liste
Funktionen, und sie konnte wirklich

74
00:04:12,990 --> 00:04:14,710
alles über die Filme zu sein.

75
00:04:14,710 --> 00:04:17,329
Sie konnten zu sein, was
Seitenverhältnis sie erschossen wurden,

76
00:04:17,329 --> 00:04:21,630
könnte es sein, wie viele Plätze sie
auf ihrer Eröffnungswochenende verkauft.

77
00:04:21,630 --> 00:04:25,630
Jede Funktion, die ich will
erzeugen kann ich in diese Tabelle zu setzen.

78
00:04:25,630 --> 00:04:29,600
>> Nun, in diesem Fall, ich gebaut haben
alle Art von Bullion Werte,

79
00:04:29,600 --> 00:04:33,700
ja oder nein, bestehen oder nicht,
aber sie könnte alles sein.

80
00:04:33,700 --> 00:04:36,690
Sie konnten beliebige Werte sein.

81
00:04:36,690 --> 00:04:39,070
Für der inhaltsbasierten Filterung,
was wir tun werden

82
00:04:39,070 --> 00:04:42,810
wird wir werden prüfen,
zwei Spalten dieser Tabelle

83
00:04:42,810 --> 00:04:45,660
und sehen, wie ähnlich sie sind.

84
00:04:45,660 --> 00:04:48,640
So zum Beispiel, wenn I
ging zu Inside Out zu sehen,

85
00:04:48,640 --> 00:04:53,640
Ich könnte fragen, was sind die anderen Filme
daß ich bereit zu gehen zu sehen.

86
00:04:53,640 --> 00:04:56,890
Das heißt, welche bereit sind,
mein Geld zu gehen sehen.

87
00:04:56,890 --> 00:05:00,310
Und ich kann dies nur durch die Einnahme vergleichen
die zwei Spalten, eine von innen nach außen

88
00:05:00,310 --> 00:05:03,300
und eine aus einem das
andere Filme, und nur sehen,

89
00:05:03,300 --> 00:05:06,210
wie viele ihrer Merkmale übereinstimmen.

90
00:05:06,210 --> 00:05:09,660
Also, wenn ich vergleichen Inside Out
mit Minions, na ja, es gibt

91
00:05:09,660 --> 00:05:10,910
drei Dinge, die hier zusammenpasst.

92
00:05:10,910 --> 00:05:16,200
Sie sind beide beseelt, keiner von ihnen
sind Marvel Filme und beide

93
00:05:16,200 --> 00:05:18,420
haben Parks und Req Alumni.

94
00:05:18,420 --> 00:05:20,420
So konnte ich bis zählen, wie
viele Spiele gab es,

95
00:05:20,420 --> 00:05:22,640
und in diesem Fall gäbe es drei sein.

96
00:05:22,640 --> 00:05:26,450
>> Wenn ich dann vergleichen Inside Out
mit sagen wir mal, Alter der Ultron,

97
00:05:26,450 --> 00:05:28,430
Ich kann nach unten schauen die Liste
und sagen, na ja, es gibt

98
00:05:28,430 --> 00:05:30,140
nur eine Sache, es passt.

99
00:05:30,140 --> 00:05:34,560
Beide passieren die Bechtel-Test, so
das wird eine Punktzahl von eins sein.

100
00:05:34,560 --> 00:05:36,770
Und zwischen Inside Out
und Ant Man, wieder ich

101
00:05:36,770 --> 00:05:41,420
kann Zeile für Zeile zu vergleichen, wie viele
Dinge Match zwischen den beiden von ihnen.

102
00:05:41,420 --> 00:05:43,060
Nun, eines ist animiert, einer ist nicht.

103
00:05:43,060 --> 00:05:44,970
One ist ein Marvel-Film, einer nicht.

104
00:05:44,970 --> 00:05:47,280
Eines hat ein Super-Bösewicht,
der andere nicht.

105
00:05:47,280 --> 00:05:49,480
Man geht die Bechtel
Test fehlschlägt man es,

106
00:05:49,480 --> 00:05:54,450
aber sie haben beide Parks und Req schüler,
Also noch einmal, wird es einen Score von einem.

107
00:05:54,450 --> 00:05:58,300
>> Also, wenn ich wurden für Filme suchen
dass ähnelten Inside Out,

108
00:05:58,300 --> 00:06:02,170
Ich konnte für die Filme, die haben zu suchen
die höchste Punktzahl in diesem Inhalt

109
00:06:02,170 --> 00:06:03,952
Filterschema.

110
00:06:03,952 --> 00:06:05,660
Also in diesem Fall, ich
würde Minions betrachten

111
00:06:05,660 --> 00:06:08,330
engere und sein
wahrscheinlich, etwas zu sein

112
00:06:08,330 --> 00:06:13,250
dass ich Geld ausgeben würde, um zu sehen,
als Age of Ultron oder Ant Man.

113
00:06:13,250 --> 00:06:16,150
>> Diese Inhalte auf der Grundlage
Filtersysteme verlassen sich nur

114
00:06:16,150 --> 00:06:18,670
auf die Eigenschaften des
die Filme, und so habe ich

115
00:06:18,670 --> 00:06:21,930
Diese können nur durch das Wissen, zu bauen
etwas über die Produkte

116
00:06:21,930 --> 00:06:23,500
das ich habe.

117
00:06:23,500 --> 00:06:26,050
Ich kann irgendwelche Arten verwenden
Funktionen, die ich möchte,

118
00:06:26,050 --> 00:06:28,400
und ich kann mehr bauen
Komplex verfügt, dass

119
00:06:28,400 --> 00:06:33,060
beinhalten komplexere Test
von einer Qualität, wie ich entlang gehen.

120
00:06:33,060 --> 00:06:39,080
In der Tat, kann ich auch diese Tabelle anzeigen
nicht als ein statisches Objekt,

121
00:06:39,080 --> 00:06:43,110
sondern als Dimensionen
innerhalb eines größeren Zustandsraum.

122
00:06:43,110 --> 00:06:46,295
Und ich kann sprechen über die
Abstände zwischen verschiedenen Filmen.

123
00:06:46,295 --> 00:06:49,300

124
00:06:49,300 --> 00:06:51,050
Das sind alles Dinge
dass wir wissen, wie sie

125
00:06:51,050 --> 00:06:55,860
zu tun mit den Arten von Datenstrukturen
dass wir bereits in CS50 gesehen.

126
00:06:55,860 --> 00:06:59,180
So konnte ich Gebäude vorstellen
eine Datenstruktur für einen Film.

127
00:06:59,180 --> 00:07:02,390
Es gibt eine Struktur, die ich habe
konstruiert genannt Film,

128
00:07:02,390 --> 00:07:04,369
und über fünf Boolean Einträge darin.

129
00:07:04,369 --> 00:07:07,160
Wird animiert, es ist ein Wunder-
Film, hat es eine Super-Bösewicht,

130
00:07:07,160 --> 00:07:11,047
bedeutet es passieren die Bechdel-Test und
gibt es Parks und Rec-Alumni in ihm?

131
00:07:11,047 --> 00:07:12,880
Und jedes von diesen ist ein
Datenstruktur, die ich

132
00:07:12,880 --> 00:07:16,330
kann für diesen bestimmten Film zu besetzen.

133
00:07:16,330 --> 00:07:20,090
>> Dann berechnen, ob zwei
Filme sind ähnlich oder nicht,

134
00:07:20,090 --> 00:07:23,330
was ihre Gäste ist, konnte ich
schreiben Sie eine Reihe von Pseudo-Code, dass

135
00:07:23,330 --> 00:07:25,120
erzeugt die gleiche Funktion.

136
00:07:25,120 --> 00:07:30,100
Das ist, da einige Film M1, ich kann
finden die ähnlichste Film, um ihn

137
00:07:30,100 --> 00:07:32,430
indem Sie dem Pseudocode.

138
00:07:32,430 --> 00:07:37,040
Ich halte welche ist die beste
Scoring-System, das ich gefunden habe,

139
00:07:37,040 --> 00:07:39,920
der beste Vergleich, die ich gefunden habe.

140
00:07:39,920 --> 00:07:41,890
Für jeden anderen Film
Ich werde zu durchlaufen,

141
00:07:41,890 --> 00:07:44,920
Ich werde einen Übereinstimmungswert gleich 0 gesetzt.

142
00:07:44,920 --> 00:07:47,920
Und ich werde durchmachen
Film, ein M1, der Film

143
00:07:47,920 --> 00:07:51,500
Angefangen habe ich mit, ich werde überprüfen
jede und jeder Funktion

144
00:07:51,500 --> 00:07:53,650
dass sie zu sehen,
wenn es ein Spiel.

145
00:07:53,650 --> 00:07:56,460
Wenn es eine Übereinstimmung gibt, werde ich
erhöhe den Übereinstimmungswert.

146
00:07:56,460 --> 00:08:00,480
Und wenn am Ende das Match-Score,
Ich habe besser als die derzeit besten

147
00:08:00,480 --> 00:08:03,310
punkten, dann werde ich
daran erinnern, dass beste Ergebnis,

148
00:08:03,310 --> 00:08:05,820
und dies ist das beste Spiel, das ich habe.

149
00:08:05,820 --> 00:08:09,450
Am Ende, welcher Film
in beste Übereinstimmung sitzen,

150
00:08:09,450 --> 00:08:12,580
das ist die am nächsten
Ich habe in der Lage zu kommen.

151
00:08:12,580 --> 00:08:14,890
So dass diese Inhalte auf der Grundlage
Filtersysteme,

152
00:08:14,890 --> 00:08:16,900
sie alle haben diese Grundstruktur.

153
00:08:16,900 --> 00:08:20,910
Sie verlassen sich auf die Artikel
in Frage und nichts

154
00:08:20,910 --> 00:08:24,590
über eine der Benutzereinstellungen.

155
00:08:24,590 --> 00:08:29,010
>> Der andere Mechanismus, die wir in
bestellen Empfehlung Systeme zu bauen

156
00:08:29,010 --> 00:08:31,790
genannt Collaborative Filtering.

157
00:08:31,790 --> 00:08:36,520
Collaborative Filtering beruht auf
nicht die Qualitäten des Objekts selbst,

158
00:08:36,520 --> 00:08:40,010
aber, wie die Menschen, andere
Benutzer, die ist, wie sie haben

159
00:08:40,010 --> 00:08:43,370
reagierten auf diese gleichen Objekte.

160
00:08:43,370 --> 00:08:48,720
Also mit meinem Film Beispiel fortzusetzen,
Ich könnte ein paar meiner Freunde nehmen

161
00:08:48,720 --> 00:08:53,180
und überblicken sie darüber, ob
nicht sie wollten insbesondere Filme.

162
00:08:53,180 --> 00:08:56,560
Jetzt unterschiedlichen Stellen generiert
Diese Daten können auf verschiedene Weise.

163
00:08:56,560 --> 00:08:59,630
Sie können direkt überblicken Ihre
Benutzer, oder Sie könnten nur

164
00:08:59,630 --> 00:09:03,120
sehen, was sie wählen, wenn
Sie, zum Beispiel Netflix.

165
00:09:03,120 --> 00:09:05,640
Welche Filme haben sie gesehen?

166
00:09:05,640 --> 00:09:08,670
>> Ich könnte einige meiner Frage
Freunde hier und finden Sie heraus

167
00:09:08,670 --> 00:09:12,910
dass Jason liebte jeden Film
er sah, nicht dort zu überraschen.

168
00:09:12,910 --> 00:09:15,590
Andy nur gefiel Minions und Tante Man.

169
00:09:15,590 --> 00:09:19,330
Sarah mochte Inside Out und
Avengers, das Gegenteil von Andy.

170
00:09:19,330 --> 00:09:22,200
Und Sam, gut, mochte Sam
alle Superhelden-Filme,

171
00:09:22,200 --> 00:09:24,960
aber keiner der animierten Filmen.

172
00:09:24,960 --> 00:09:30,630
>> Ich konnte dann für einige neue Abfrage
Einzel, ein anderer Nutzer wie mich

173
00:09:30,630 --> 00:09:34,520
und fragen, gut, wenn ich mochte
einer dieser Filme,

174
00:09:34,520 --> 00:09:38,600
können Sie eine Vorhersage über zu machen
die anderen Filme, die ich vielleicht gefallen.

175
00:09:38,600 --> 00:09:41,890
Das heißt, wenn ich innen gefallen
Out, das andere Filme

176
00:09:41,890 --> 00:09:48,460
Ich bin wahrscheinlich auch sehen wollen
basierend auf, was ähnlich wie die Menschen getan haben?

177
00:09:48,460 --> 00:09:51,640
Das heißt, ich werde durch ein zu gehen
Ich werde durch diese Liste zu filtern

178
00:09:51,640 --> 00:09:54,520
und finden Sie einfach die
Personen, mochten auch

179
00:09:54,520 --> 00:09:57,680
Inside Out, die meine Vorlieben abgestimmt.

180
00:09:57,680 --> 00:10:00,824
Nun, das bedeutet, dass Andy und
Sam, sie nicht mögen Inside Out,

181
00:10:00,824 --> 00:10:02,240
so werde ich nicht, um sie zu betrachten.

182
00:10:02,240 --> 00:10:06,130
Ich gehe, um loszuwerden, ihre
Daten für diesen Vergleich.

183
00:10:06,130 --> 00:10:09,750
>> Ich kann dann an, was Jason schauen
und Sarah dachte, und Tally

184
00:10:09,750 --> 00:10:13,780
up denen der Filme, die sie sahen,
dass ich nicht, ob sie sie gern

185
00:10:13,780 --> 00:10:15,150
oder nicht.

186
00:10:15,150 --> 00:10:17,820
Ich habe gerade zu zählen könnte, sagen wir Stimmen.

187
00:10:17,820 --> 00:10:23,360
So Minions, zum Beispiel könnte man haben
stimmen für sie, denn Jason hat es gefallen.

188
00:10:23,360 --> 00:10:27,170
Sowohl Jason und Sarah mochte Avengers,
so wäre es zwei Stimmen.

189
00:10:27,170 --> 00:10:30,700
Und nur Jason gefallen Ant Man,
so wäre es eine Stimme zu bekommen.

190
00:10:30,700 --> 00:10:34,870
Also, wenn ich musste dann empfehlen
für mich selbst, welche dieser Filme

191
00:10:34,870 --> 00:10:41,470
Ich könnte wahrscheinlich sein zu beobachten, würde ich
müssen Age of Ultron wählen: Avengers.

192
00:10:41,470 --> 00:10:44,490
>> So dass für jedes von diesen
Systeme, jetzt bin ich mit

193
00:10:44,490 --> 00:10:49,260
Daten, die nicht über die generiert wurde
Film selbst, sondern über die Präferenzen

194
00:10:49,260 --> 00:10:51,960
von anderen Usern.

195
00:10:51,960 --> 00:10:54,150
Dies hat einige Schwierigkeiten natürlich.

196
00:10:54,150 --> 00:10:55,920
Was passiert, wenn Sie nicht über andere Nutzer?

197
00:10:55,920 --> 00:10:58,770
Nun, das Startproblem genannt.

198
00:10:58,770 --> 00:11:03,760
Sie müssen einige haben
Menge der Daten, bevor Sie

199
00:11:03,760 --> 00:11:07,560
in der Lage zu beginnen,
diese Empfehlungen.

200
00:11:07,560 --> 00:11:10,940
Die Kehrseite davon ist, wenn
Sie sammeln Daten,

201
00:11:10,940 --> 00:11:13,870
wenn Sie mehr sammeln
und mehr und mehr Daten,

202
00:11:13,870 --> 00:11:17,850
Sie werden besser und besser
und bessere Empfehlungen.

203
00:11:17,850 --> 00:11:21,650
>> Jetzt übersetzen wir könnten
dies in Code auch.

204
00:11:21,650 --> 00:11:23,860
Wir können einen anderen zu definieren
Art von Struktur,

205
00:11:23,860 --> 00:11:25,720
in diesem Fall werden wir es ein Benutzer anrufen.

206
00:11:25,720 --> 00:11:30,970
Und es geht um erhielt Funktionen
die Filme dieser Benützer mag.

207
00:11:30,970 --> 00:11:34,560
Haben sie Lust Inside Out,
Minions, Rächer und Ant Man.

208
00:11:34,560 --> 00:11:36,660
Wir könnten dann erzeugen
einige Pseudocode zu folgen

209
00:11:36,660 --> 00:11:39,460
Die gleiche Vorgehensweise, die ich verwendet, bevor.

210
00:11:39,460 --> 00:11:43,460
Das heißt, bei einer bestimmten
Benutzer x, lassen Sie uns empfehlen, einen Film

211
00:11:43,460 --> 00:11:46,107
daß x vielleicht gefallen.

212
00:11:46,107 --> 00:11:47,940
Wir können gehen durch und
für alle Filme,

213
00:11:47,940 --> 00:11:51,410
können wir eine Punktzahl zu initialisieren
für diesen Film 0 sein.

214
00:11:51,410 --> 00:11:54,080
Und dann können wir alle zu finden
der andere Benutzer,

215
00:11:54,080 --> 00:11:57,630
haben die gleichen Einstellungen wie x.

216
00:11:57,630 --> 00:11:59,990
Und dann für jeden
Film, dass sie wollten,

217
00:11:59,990 --> 00:12:02,340
wir werden die Partitur dieses Films zu erhöhen.

218
00:12:02,340 --> 00:12:05,010
Unabhängig davon, welche Film in die
Ende die höchste Punktzahl,

219
00:12:05,010 --> 00:12:07,600
das ist der, den ich empfehlen sollte.

220
00:12:07,600 --> 00:12:09,890
>> Nichts davon ist wirklich dunkel.

221
00:12:09,890 --> 00:12:11,600
Nichts davon ist schwierig.

222
00:12:11,600 --> 00:12:15,810
Diese sind alle grundlegenden Algorithmen
dass Sie heute implementieren könnte.

223
00:12:15,810 --> 00:12:20,050
>> Jetzt mit echten Empfehlungssysteme,
Sie in einige Probleme laufen.

224
00:12:20,050 --> 00:12:23,300
Was passiert, wenn es ist niemand, der
entspricht genau Ihren Wünschen?

225
00:12:23,300 --> 00:12:27,170
Was, wenn es Benutzern,
sind genau Ihren Wünschen,

226
00:12:27,170 --> 00:12:30,480
aber dann drastisch abweichen
von dem, was Sie wollen?

227
00:12:30,480 --> 00:12:36,210
Ich mag klassische Godzilla
Filme, aber meine Frau nicht.

228
00:12:36,210 --> 00:12:39,430
Ich mag, sie zu beobachten, mein
Netflix-Konto enthält sie.

229
00:12:39,430 --> 00:12:41,800
Ihr ist nicht.

230
00:12:41,800 --> 00:12:45,230
Was passiert, wenn wir anfangen,
Mischen von Daten wie diese?

231
00:12:45,230 --> 00:12:47,690
Dies alles sind Herausforderungen
dass Sie überwinden kann,

232
00:12:47,690 --> 00:12:51,900
sie nehmen Sie nur leicht
komplexere Algorithmen.

233
00:12:51,900 --> 00:12:56,420
>> Jetzt in der realen Welt, die
sind eigentlich Betriebs,

234
00:12:56,420 --> 00:12:59,980
verwenden wir der inhaltsbasierten Filterung oder
verwenden wir Collaborative Filtering?

235
00:12:59,980 --> 00:13:01,910
Und die Antwort ist, dass wir von ihnen nutzen beides.

236
00:13:01,910 --> 00:13:06,350
Fast alle der wichtigsten Benutzer in
Dieser Fall, Amazon, Facebook, Netflix,

237
00:13:06,350 --> 00:13:11,200
Pandora, sie alle eine Kombination aus verwenden
diese verschiedenen Empfehlungssysteme.

238
00:13:11,200 --> 00:13:16,520
Und wenn wir kombinieren die Auswahl von
jeder, wir nennen sie Hybridsysteme.

239
00:13:16,520 --> 00:13:20,750
Sie irgendwie hängen von der
Merkmale des Objekts selbst,

240
00:13:20,750 --> 00:13:24,710
und in gewisser Weise sie davon abhängen,
die Präferenzen anderer Nutzer.

241
00:13:24,710 --> 00:13:28,120
Diese Hybridsysteme,
sie sind ein großes Geschäft,

242
00:13:28,120 --> 00:13:30,830
und sie sind, was aktuelle heute.

243
00:13:30,830 --> 00:13:32,839
>> Also vielen Dank für den Beitritt mich.

244
00:13:32,839 --> 00:13:35,380
Ich hoffe, dass Sie ein wenig bekommen haben
bisschen ein Verständnis dessen, was

245
00:13:35,380 --> 00:13:37,430
macht diese Systeme.

246
00:13:37,430 --> 00:13:41,980
Nächstes Mal, wenn Sie online sind, daran erinnern, dass
nicht nur Sie zu beeinträchtigen Auswahl

247
00:13:41,980 --> 00:13:44,680
aber potenziell allen anderen auch.

248
00:13:44,680 --> 00:13:46,480
Danke noch einmal.

249
00:13:46,480 --> 00:13:47,186