1
00:00:00,000 --> 00:00:03,416
>> [Música tocando]

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

3
00:00:05,860 --> 00:00:08,180
>> Cerebro Scassellati: Benvido
para a serie CS50 AI.

4
00:00:08,180 --> 00:00:12,600
O meu nome é Scass, e hoxe nós estamos indo
para falar sobre sistemas de recomendación.

5
00:00:12,600 --> 00:00:15,780
Agora sons sistemas de recomendación
tipo como dun nome estraño.

6
00:00:15,780 --> 00:00:18,630
Parece que quizais debese
ser sistemas de recomendación,

7
00:00:18,630 --> 00:00:21,290
e eu medio que estou de acordo con vostede.

8
00:00:21,290 --> 00:00:26,110
Pero estes son os sistemas que axudan
seleccionar as cousas semellantes, sempre que

9
00:00:26,110 --> 00:00:28,210
selecciona algo en liña.

10
00:00:28,210 --> 00:00:32,119
Netflix, por exemplo, pode suxerir outro
películas que pode querer ver.

11
00:00:32,119 --> 00:00:36,660
Ou Pandora pode suxerir diferentes
cancións que pode querer escoitar.

12
00:00:36,660 --> 00:00:40,940
Amazon vai suxerir que tipo de
Outros produtos que pode querer mercar.

13
00:00:40,940 --> 00:00:43,520
Facebook vai mesmo suxerir
algúns dos outros amigos

14
00:00:43,520 --> 00:00:45,440
que pode querer engadir.

15
00:00:45,440 --> 00:00:49,800
Cada un destes sistemas funcionan utilizando
o mesmo tipo de algoritmo de base,

16
00:00:49,800 --> 00:00:52,520
e iso é o que somos
vai falar hoxe.

17
00:00:52,520 --> 00:00:56,860
>> Agora, estes algoritmos son
sorprendentemente grande empresa.

18
00:00:56,860 --> 00:01:01,130
Netflix fai uns anos en
2009 ofreceu un $ 1000000

19
00:01:01,130 --> 00:01:07,240
premio se podería mellorar a súa
sistema de recomendación por só 10%.

20
00:01:07,240 --> 00:01:11,960
10%, con todo, representa un
cantidade de empresas.

21
00:01:11,960 --> 00:01:15,330
As estimacións son de difícil
pasar por aquí, pero moita xente

22
00:01:15,330 --> 00:01:19,050
creo que estas recomendación
sistemas para unha compra en liña

23
00:01:19,050 --> 00:01:25,729
sistema como Amazon levar a algún lugar
entre o 10% eo 25% de aumento dos ingresos.

24
00:01:25,729 --> 00:01:27,770
Entón podes imaxinar o
tipo de volume que está

25
00:01:27,770 --> 00:01:32,860
fala de cando pensamos sobre
mesmo eses pequenos algoritmos.

26
00:01:32,860 --> 00:01:35,200
>> Entón, imos obter algúns exemplos.

27
00:01:35,200 --> 00:01:38,460
Como é que estes
sistemas realmente funcionan?

28
00:01:38,460 --> 00:01:40,773
Hai dous básico
tipos de algoritmos que

29
00:01:40,773 --> 00:01:45,050
están en xogo cando falamos de
recomendacións xeradoras.

30
00:01:45,050 --> 00:01:48,650
Os primeiros son chamados
filtrado en base a contidos.

31
00:01:48,650 --> 00:01:53,410
E filtrado de contidos baseado confía
sobre semellanzas entre os elementos

32
00:01:53,410 --> 00:02:00,370
si, que se atopa entre dúas películas
ou dúas cancións ou dous elementos compras.

33
00:02:00,370 --> 00:02:03,190
Estamos indo para usar películas
como un exemplo, pero este

34
00:02:03,190 --> 00:02:07,850
podería aplicar-se, realmente, de calquera tipo
do obxecto que estamos a procurar.

35
00:02:07,850 --> 00:02:13,330
>> Entón, se eu pensar sobre algunhas
películas do ano pasado,

36
00:02:13,330 --> 00:02:16,799
Vin Inside Out con
meus fillos, eles adoraban.

37
00:02:16,799 --> 00:02:17,840
Pero tamén tiña unha opción.

38
00:02:17,840 --> 00:02:21,350
Poderiamos ir para ver Minions,
poderiamos ver Age of Ultron,

39
00:02:21,350 --> 00:02:24,850
ou que se podería ver
Home Formiga nos cines.

40
00:02:24,850 --> 00:02:27,580
>> Para calquera destas
películas, poderiamos imaxinar

41
00:02:27,580 --> 00:02:33,320
xerando unha lista de recursos ou
calidades sobre os filmes diferentes.

42
00:02:33,320 --> 00:02:37,190
Así, por exemplo, podería considerarse
cales destes filmes son animados.

43
00:02:37,190 --> 00:02:39,960
Ben, tanto Inside Out
e Minions son animados.

44
00:02:39,960 --> 00:02:44,140
Nin a idade, nin de Ultron
Home-Formiga son películas de animación.

45
00:02:44,140 --> 00:02:47,040
E eu podería imaxinar edificio
Se unha estrutura, unha táboa que

46
00:02:47,040 --> 00:02:49,440
Listas de cada unha destas propiedades.

47
00:02:49,440 --> 00:02:51,790
Son animados ou non?

48
00:02:51,790 --> 00:02:54,780
Podería, entón, engadir
recursos para esta táboa

49
00:02:54,780 --> 00:02:58,380
pola adición de máis liñas para esa estrutura.

50
00:02:58,380 --> 00:03:00,970
Podería preguntar se é
Non son películas da Marvel.

51
00:03:00,970 --> 00:03:04,010
Ben, Inside Out e Minions
non son películas de Marvel,

52
00:03:04,010 --> 00:03:06,715
Age of Ultron e Home-Formiga son certamente.

53
00:03:06,715 --> 00:03:09,100
>> E eu podería pedir calquera tipo
de diferentes calidades

54
00:03:09,100 --> 00:03:12,080
que eu quería, calquera tipo de recursos
que pode ser importante para min.

55
00:03:12,080 --> 00:03:13,440
Será que eles teñen un super vilán?

56
00:03:13,440 --> 00:03:16,700
Ben, non hai super-vilán no interior
Fóra, pero hai aqueles en Minions

57
00:03:16,700 --> 00:03:19,990
e en que evidentemente o
dúas películas de superheroes.

58
00:03:19,990 --> 00:03:23,900
>> Eu tamén podería preguntar cousas como, ben,
pasan a proba Bechdel?

59
00:03:23,900 --> 00:03:27,280
Existen dous nomeados
personaxes femininos que

60
00:03:27,280 --> 00:03:30,550
pasar algún cantidade significativa de
tempo de manter unha conversa que

61
00:03:30,550 --> 00:03:34,400
non implica homes no reparto?

62
00:03:34,400 --> 00:03:39,870
Ben, neste caso, pasa Inside Out
a proba, Minions falla, Age of Ultron

63
00:03:39,870 --> 00:03:42,990
pasar a proba, e home-Formiga fallar.

64
00:03:42,990 --> 00:03:45,020
Algunha destas características
Eu podía pensar

65
00:03:45,020 --> 00:03:48,660
como importante para algunhas persoas.

66
00:03:48,660 --> 00:03:52,000
>> Eu tamén podería preguntar cousas como son
Hai algún persoas neses filmes que

67
00:03:52,000 --> 00:03:57,190
son ex-alumnos de digamos, Parques e
Recreación, un dos meus programas favoritos.

68
00:03:57,190 --> 00:04:00,540
Ben, Inside Out ten Amy
Poehler, que é un ex-alumnos.

69
00:04:00,540 --> 00:04:01,530
Que conta.

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

71
00:04:04,110 --> 00:04:08,600
Paul Rudd estaba Home-Formiga, pero ninguén
en Age of Ultron foi en Parques e REQ

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

73
00:04:10,150 --> 00:04:12,990
Para que eu poida construír esta lista de
recursos, e eles poderían realmente

74
00:04:12,990 --> 00:04:14,710
ser calquera cousa, sobre as películas.

75
00:04:14,710 --> 00:04:17,329
Poderían ser sobre o que
relación de aspecto foron tiroteados en,

76
00:04:17,329 --> 00:04:21,630
podería ser cantos asentos eles
vendido na súa semana de estrea.

77
00:04:21,630 --> 00:04:25,630
Calquera recurso que quero
xerar podo poñer a esta táboa.

78
00:04:25,630 --> 00:04:29,600
>> Agora, neste caso, eu constrúe
todo tipo de valores Bullion,

79
00:04:29,600 --> 00:04:33,700
si ou non, pasar ou non,
pero poderían ser calquera cousa.

80
00:04:33,700 --> 00:04:36,690
Poderían ser valores arbitrarios.

81
00:04:36,690 --> 00:04:39,070
Para a filtrado de contidos baseado,
o que nós imos facer

82
00:04:39,070 --> 00:04:42,810
é que imos considerar
dúas columnas nesta táboa

83
00:04:42,810 --> 00:04:45,660
para ver como son semellantes.

84
00:04:45,660 --> 00:04:48,640
Así, por exemplo, se eu
fun ver Inside Out,

85
00:04:48,640 --> 00:04:53,640
Podería preguntar, cales son os outros filmes
que eu podería estar disposto a ir ver.

86
00:04:53,640 --> 00:04:56,890
É dicir, o que está disposto a
gastar o meu diñeiro para ir ver.

87
00:04:56,890 --> 00:05:00,310
E podo comparar esta tomando só
as dúas columnas, unha de Inside Out

88
00:05:00,310 --> 00:05:03,300
ea partir de calquera do
outros filmes, e só ver

89
00:05:03,300 --> 00:05:06,210
como moitos dos seus recursos xogo.

90
00:05:06,210 --> 00:05:09,660
Entón, se eu comparar Inside Out
con Minions, así, hai

91
00:05:09,660 --> 00:05:10,910
tres cousas aquí que xogo.

92
00:05:10,910 --> 00:05:16,200
Ambos están animado, ningún deles
son películas de Marvel, e ambos

93
00:05:16,200 --> 00:05:18,420
ten Parques e REQ se formaron.

94
00:05:18,420 --> 00:05:20,420
Entón, eu podería contar-se como
moitas partidas houbese,

95
00:05:20,420 --> 00:05:22,640
e neste caso habería tres.

96
00:05:22,640 --> 00:05:26,450
>> Se eu, entón, comparar Inside Out
con digamos Age of Ultron,

97
00:05:26,450 --> 00:05:28,430
Podo ollar para abaixo na lista
e dicir, ben, hai

98
00:05:28,430 --> 00:05:30,140
só unha cousa que corresponda alí.

99
00:05:30,140 --> 00:05:34,560
Ambos pasar a proba Bechtel, entón
que vai ser un resultado de un.

100
00:05:34,560 --> 00:05:36,770
E entre Inside Out
e Home Formiga, de novo I

101
00:05:36,770 --> 00:05:41,420
pode comparar liña por liña cantas
cousas corresponder entre os dous.

102
00:05:41,420 --> 00:05:43,060
Ben, un está animado, un non é.

103
00:05:43,060 --> 00:05:44,970
Un é un filme da Marvel, non é.

104
00:05:44,970 --> 00:05:47,280
Un ten un super-vilán,
o outro non.

105
00:05:47,280 --> 00:05:49,480
Pásase a Bechtel
proba, un fallo que,

106
00:05:49,480 --> 00:05:54,450
pero ambos teñen Parques e REQ alumnos,
Entón, de novo, recibe unha puntuación de un.

107
00:05:54,450 --> 00:05:58,300
>> Entón, se eu estaba a buscar para películas
que foron similares dentro para fóra,

108
00:05:58,300 --> 00:06:02,170
Podería mirar para as películas que teñen
a maior puntuación dentro este contido

109
00:06:02,170 --> 00:06:03,952
esquema de filtrado.

110
00:06:03,952 --> 00:06:05,660
Polo tanto, neste caso, eu
consideraría Minions

111
00:06:05,660 --> 00:06:08,330
para estar máis preto e máis
susceptible de ser algo

112
00:06:08,330 --> 00:06:13,250
que eu ía gastar diñeiro para ver
de Age of Ultron ou Man Ant.

113
00:06:13,250 --> 00:06:16,150
>> Estes contidos baseados
sistemas de filtrado dependen só

114
00:06:16,150 --> 00:06:18,670
sobre as propiedades de
as películas, e entón eu

115
00:06:18,670 --> 00:06:21,930
pode construír estes só por saber
algo sobre os produtos

116
00:06:21,930 --> 00:06:23,500
que eu teño.

117
00:06:23,500 --> 00:06:26,050
Podo usar calquera tipo de
características que me gustaría,

118
00:06:26,050 --> 00:06:28,400
e podo construír
características complexas que

119
00:06:28,400 --> 00:06:33,060
involucrar proba máis complexo
dunha calidade como eu ir xunto.

120
00:06:33,060 --> 00:06:39,080
De feito, podo ata ver esta táboa
non como un obxecto estático,

121
00:06:39,080 --> 00:06:43,110
senón como dimensións
dentro dun espazo de estado maior.

122
00:06:43,110 --> 00:06:46,295
E podo comezar a falar do
distancias entre diferentes películas.

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

124
00:06:49,300 --> 00:06:51,050
Estas son todas as cousas
que sabemos como

125
00:06:51,050 --> 00:06:55,860
facer usando os tipos de estruturas de datos
que xa vimos en CS50.

126
00:06:55,860 --> 00:06:59,180
Entón eu podería imaxinar edificio
unha estrutura de datos para unha película.

127
00:06:59,180 --> 00:07:02,390
Hai un struct que teño
construído chamado película,

128
00:07:02,390 --> 00:07:04,369
e ten cinco entradas booleanas nel.

129
00:07:04,369 --> 00:07:07,160
É animado, é un Marvel
película, ten un super vilán,

130
00:07:07,160 --> 00:07:11,047
el pasar a proba Bechdel, e
están aí Parques e Rec formaron nel?

131
00:07:11,047 --> 00:07:12,880
E cada un deles é un
estrutura de datos que

132
00:07:12,880 --> 00:07:16,330
pode ocupar a este filme en particular.

133
00:07:16,330 --> 00:07:20,090
>> Logo calcular dous
películas son similares ou non,

134
00:07:20,090 --> 00:07:23,330
o que a súa puntuación dicir, eu podería
escribir un conxunto de pseudocódigo que

135
00:07:23,330 --> 00:07:25,120
que xera mesma función.

136
00:07:25,120 --> 00:07:30,100
Isto é, dado algún filme M1, podo
atopar a película máis semellante a el

137
00:07:30,100 --> 00:07:32,430
seguindo o pseudocódigo.

138
00:07:32,430 --> 00:07:37,040
Eu considero que é o mellor
sistema que eu atope marcando,

139
00:07:37,040 --> 00:07:39,920
a mellor comparación que podo atopar.

140
00:07:39,920 --> 00:07:41,890
Para todos os demais película
Vou pasar,

141
00:07:41,890 --> 00:07:44,920
Vou definir unha puntuación xogo igual a 0.

142
00:07:44,920 --> 00:07:47,920
E eu vou pasar por iso
película, un M1, a película

143
00:07:47,920 --> 00:07:51,500
Comece con, vou comprobar
cada recurso

144
00:07:51,500 --> 00:07:53,650
que teñen que ver
se hai unha correspondencia.

145
00:07:53,650 --> 00:07:56,460
Se hai un xogo, eu vou
incrementar a puntuación do partido.

146
00:07:56,460 --> 00:08:00,480
E, ao rematar a puntuación do partido que
Teño é mellor que o actual mellor

147
00:08:00,480 --> 00:08:03,310
marcar, entón eu vou
lembre que mellor puntuación,

148
00:08:03,310 --> 00:08:05,820
e este é o mellor xogo que eu teño.

149
00:08:05,820 --> 00:08:09,450
Ao final, calquera que sexa película
está sentándose no mellor xogo,

150
00:08:09,450 --> 00:08:12,580
que é o máis próximo
Eu teño sido capaz de chegar.

151
00:08:12,580 --> 00:08:14,890
Entón, eses contidos baseados
sistemas de filtrado,

152
00:08:14,890 --> 00:08:16,900
todos eles teñen esta estrutura básica.

153
00:08:16,900 --> 00:08:20,910
Confían enriba do elemento
en cuestión e nada

154
00:08:20,910 --> 00:08:24,590
sobre calquera das preferencias do usuario.

155
00:08:24,590 --> 00:08:29,010
>> O outro mecanismo que utilice en
a fin de construír sistemas de recomendación

156
00:08:29,010 --> 00:08:31,790
chámase filtrado colaborativa.

157
00:08:31,790 --> 00:08:36,520
Filtrado colaborativo baseado en
non as calidades do obxecto en si,

158
00:08:36,520 --> 00:08:40,010
pero como a xente, outra
usuarios ou sexa, como eles teñen

159
00:08:40,010 --> 00:08:43,370
respondeu a eses mesmos obxectos.

160
00:08:43,370 --> 00:08:48,720
Entón, para continuar co meu exemplo película,
Podería tomar unha morea de amigos meus

161
00:08:48,720 --> 00:08:53,180
e examina-los sobre a existencia ou
non lles gustaba de películas particulares.

162
00:08:53,180 --> 00:08:56,560
Agora pode xerar sitios diferentes
estes datos de diferentes xeitos.

163
00:08:56,560 --> 00:08:59,630
Pode examinar directamente o seu
usuarios, ou lle podería só

164
00:08:59,630 --> 00:09:03,120
ver que eles escollen se
é, por exemplo Netflix.

165
00:09:03,120 --> 00:09:05,640
Cales películas que fixo ver?

166
00:09:05,640 --> 00:09:08,670
>> Podería cuestionar algúns dos meus
amigos aquí e descubre

167
00:09:08,670 --> 00:09:12,910
Jason gustaba que todas as películas
viu, non sorprendendo alí.

168
00:09:12,910 --> 00:09:15,590
Andy só lle gustaba Minions e tía Man.

169
00:09:15,590 --> 00:09:19,330
Sarah gustaba de dentro para fóra e
Avengers, o contrario do Andy.

170
00:09:19,330 --> 00:09:22,200
E Sam, así, Sam gusta
todas as películas do Superhero,

171
00:09:22,200 --> 00:09:24,960
pero ningún dos filmes de animación.

172
00:09:24,960 --> 00:09:30,630
>> Podería, entón, consultar algún novo
individuo, algún outro usuario, como eu,

173
00:09:30,630 --> 00:09:34,520
e preguntar, así, se eu me gustou
un destes filmes,

174
00:09:34,520 --> 00:09:38,600
pode facer unha previsión sobre
que outras películas que pode gustar.

175
00:09:38,600 --> 00:09:41,890
É dicir, se eu lle gustaba de Dentro
Fóra, que outras películas

176
00:09:41,890 --> 00:09:48,460
Eu son propensos a querer tamén para ver
con base no que a xente semellantes fixo?

177
00:09:48,460 --> 00:09:51,640
É dicir, eu vou pasar por unha
Vou filtrar a través desta lista

178
00:09:51,640 --> 00:09:54,520
e atopar só o
individuos que tamén gusta

179
00:09:54,520 --> 00:09:57,680
Inside Out, que combinaba as miñas preferencias.

180
00:09:57,680 --> 00:10:00,824
Ben, iso significa que Andy e
Sam, eles non lles gustaba Inside Out,

181
00:10:00,824 --> 00:10:02,240
entón eu non vou considera-los.

182
00:10:02,240 --> 00:10:06,130
Eu estou indo a se librar da súa
datos para esta comparación.

183
00:10:06,130 --> 00:10:09,750
>> Podo, entón, mirar para o que Jason
e Sarah pensou e Tally

184
00:10:09,750 --> 00:10:13,780
Se que das películas que vían
que eu non fixen, no caso de que lles gustou a eles

185
00:10:13,780 --> 00:10:15,150
ou non.

186
00:10:15,150 --> 00:10:17,820
Podería simplemente contar ata, digamos votos.

187
00:10:17,820 --> 00:10:23,360
Entón Minions, por exemplo pode ter un
votar a favor porque Jason me gustou.

188
00:10:23,360 --> 00:10:27,170
Ambos Jason e Sarah gustaba Avengers,
polo que tería dous votos.

189
00:10:27,170 --> 00:10:30,700
E só Jason gustábame Home-Formiga,
polo que sería obter un voto.

190
00:10:30,700 --> 00:10:34,870
Entón, se eu tivese que entón recomendar
para min mesmo que estas películas

191
00:10:34,870 --> 00:10:41,470
Podería ser máis probable para asistir, eu o faría
ten que escoller Age of Ultron: Avengers.

192
00:10:41,470 --> 00:10:44,490
>> Así, para calquera destes
sistemas, agora está a usar

193
00:10:44,490 --> 00:10:49,260
datos que foron xerados non sobre o
película en si, pero sobre as preferencias

194
00:10:49,260 --> 00:10:51,960
doutros usuarios.

195
00:10:51,960 --> 00:10:54,150
Isto ten algunhas dificultades, por suposto.

196
00:10:54,150 --> 00:10:55,920
E se non ten outros usuarios?

197
00:10:55,920 --> 00:10:58,770
Ben, iso é chamado de problema de arranque.

198
00:10:58,770 --> 00:11:03,760
Vostede ten que ter algún
cantidade de datos antes de que está

199
00:11:03,760 --> 00:11:07,560
capaz de comezar a facer
estas recomendacións.

200
00:11:07,560 --> 00:11:10,940
O outro lado é unha vez
comezar a recollida de datos,

201
00:11:10,940 --> 00:11:13,870
se pode recoller máis
e máis e máis datos,

202
00:11:13,870 --> 00:11:17,850
vai estar mellor e mellor
e mellores recomendacións.

203
00:11:17,850 --> 00:11:21,650
>> Agora podemos traducir
esta en código tamén.

204
00:11:21,650 --> 00:11:23,860
Podemos definir unha diferente
tipo de estrutura,

205
00:11:23,860 --> 00:11:25,720
neste caso, imos chamalo un usuario.

206
00:11:25,720 --> 00:11:30,970
E ten características ten preto de
películas que este usuario gusta.

207
00:11:30,970 --> 00:11:34,560
Será que eles gusta Inside Out,
Sequazes, Vingadores e Home-Formiga.

208
00:11:34,560 --> 00:11:36,660
Poderiamos, entón, xerar
algúns pseudocódigo a seguir

209
00:11:36,660 --> 00:11:39,460
o mesmo procedemento que usei antes.

210
00:11:39,460 --> 00:11:43,460
Isto é, dado un determinado
usuario x, imos recomendar unha película

211
00:11:43,460 --> 00:11:46,107
x que pode gustar.

212
00:11:46,107 --> 00:11:47,940
Podemos pasar e
para todas as películas,

213
00:11:47,940 --> 00:11:51,410
podemos arrincar unha puntuación
para ese filme para ser 0.

214
00:11:51,410 --> 00:11:54,080
E, a continuación, podemos atopar todo
dos outros usuarios que

215
00:11:54,080 --> 00:11:57,630
teñen as mesmas preferencias que x.

216
00:11:57,630 --> 00:11:59,990
E, a continuación, para cada
película que lles gustou,

217
00:11:59,990 --> 00:12:02,340
imos incrementar a puntuación deste filme.

218
00:12:02,340 --> 00:12:05,010
Calquera que sexa a película
final ten a maior puntuación,

219
00:12:05,010 --> 00:12:07,600
que é o que eu debería recomendar.

220
00:12:07,600 --> 00:12:09,890
>> Nada diso é realmente escuro.

221
00:12:09,890 --> 00:12:11,600
Nada diso é un reto.

222
00:12:11,600 --> 00:12:15,810
Estes son todos os algoritmos básicos
que pode aplicar hoxe.

223
00:12:15,810 --> 00:12:20,050
>> Agora, con sistemas de recomendación reais,
topar con algúns problemas.

224
00:12:20,050 --> 00:12:23,300
E se non hai ninguén que
coincide exactamente coas súas preferencias?

225
00:12:23,300 --> 00:12:27,170
E se hai usuarios que
son exactamente as súas preferencias,

226
00:12:27,170 --> 00:12:30,480
pero, a continuación, desviar-se drasticamente
dende o que lle gusta?

227
00:12:30,480 --> 00:12:36,210
Gústame clásico Godzilla
películas, pero a miña muller non.

228
00:12:36,210 --> 00:12:39,430
Eu gusto de velos, meu
Conta Netflix contén a eles.

229
00:12:39,430 --> 00:12:41,800
De súa non.

230
00:12:41,800 --> 00:12:45,230
Que pasa cando comezamos
mesturando datos como este?

231
00:12:45,230 --> 00:12:47,690
Estes son todos os retos
que pode superar,

232
00:12:47,690 --> 00:12:51,900
eles só tomar un pouco
algoritmos máis complexos.

233
00:12:51,900 --> 00:12:56,420
>> Agora, no mundo real, o que
son realmente operativo,

234
00:12:56,420 --> 00:12:59,980
podemos utilizar a filtrado en base a contidos ou
usamos filtrado colaborativo?

235
00:12:59,980 --> 00:13:01,910
E a resposta é que usan os dous.

236
00:13:01,910 --> 00:13:06,350
Case todos os principais usuarios
Neste caso, Amazon, Facebook, Netflix,

237
00:13:06,350 --> 00:13:11,200
Pandora, todos eles usan unha combinación de
estes sistemas de recomendación diferentes.

238
00:13:11,200 --> 00:13:16,520
E cando quedamos as opcións de
cada un, nós os chamamos sistemas híbridos.

239
00:13:16,520 --> 00:13:20,750
Eles dalgunha forma dependen da
características do obxecto en si,

240
00:13:20,750 --> 00:13:24,710
e nalgúns aspectos dependen
as preferencias de outros usuarios.

241
00:13:24,710 --> 00:13:28,120
Estes sistemas híbridos,
son un gran negocio,

242
00:13:28,120 --> 00:13:30,830
e son o que hai de actual hoxe.

243
00:13:30,830 --> 00:13:32,839
>> Entón, moitas grazas por unirse a min.

244
00:13:32,839 --> 00:13:35,380
Espero que ficase un pouco
pouco de unha comprensión do que

245
00:13:35,380 --> 00:13:37,430
fai estes sistemas de traballo.

246
00:13:37,430 --> 00:13:41,980
A próxima vez que vostede está en liña, recorda que
non só influenciando súas opcións,

247
00:13:41,980 --> 00:13:44,680
pero potencialmente toda a xente é así.

248
00:13:44,680 --> 00:13:46,480
Grazas de novo.

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