1
00:00:00,000 --> 00:00:03,416
>> [Играет музыка]

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

3
00:00:05,860 --> 00:00:08,180
>> МОЗГ SCASSELLATI: Добро пожаловать
в серии CS50 AI.

4
00:00:08,180 --> 00:00:12,600
Меня зовут Scass, и сегодня мы собираемся
говорить о рекомендательных систем.

5
00:00:12,600 --> 00:00:15,780
Теперь рекомендательные системы звуки
как своего рода странное имя.

6
00:00:15,780 --> 00:00:18,630
Это звучит, как, может быть, он должен
быть системы рекомендации,

7
00:00:18,630 --> 00:00:21,290
и я вроде согласны с вами.

8
00:00:21,290 --> 00:00:26,110
Но эти системы, которые помогают
выберите из подобных вещей всякий раз, когда

9
00:00:26,110 --> 00:00:28,210
выбрать что-то в Интернете.

10
00:00:28,210 --> 00:00:32,119
Netflix, например предложит другой
фильмы, которые вы, возможно, захотите смотреть.

11
00:00:32,119 --> 00:00:36,660
Или Пандора предложит разные
Песни, которые вы, возможно, хотят, чтобы слушать.

12
00:00:36,660 --> 00:00:40,940
Amazon будет предлагать какие виды
другие продукты вы можете купить.

13
00:00:40,940 --> 00:00:43,520
Facebook даже предположить,
некоторые из других друзей

14
00:00:43,520 --> 00:00:45,440
что вы, возможно, захотите добавить.

15
00:00:45,440 --> 00:00:49,800
Каждая из этих систем работают с использованием
тот же основной тип алгоритма,

16
00:00:49,800 --> 00:00:52,520
и это то, что мы
поговорим сегодня.

17
00:00:52,520 --> 00:00:56,860
>> Теперь эти алгоритмы
Неудивительно большой бизнес.

18
00:00:56,860 --> 00:01:01,130
Netflix несколько лет назад в
2 009 предложил $ 1 млн

19
00:01:01,130 --> 00:01:07,240
Приз, если вы могли бы улучшить их
Рекомендация система только на 10%.

20
00:01:07,240 --> 00:01:11,960
Это на 10%, хотя, представляет собой
Значительное количество из бизнеса.

21
00:01:11,960 --> 00:01:15,330
Оценки трудно
прийти, но многие люди

22
00:01:15,330 --> 00:01:19,050
считают, что эти рекомендации
системы для интернет-покупки

23
00:01:19,050 --> 00:01:25,729
Система, как Amazon, приводят к куда
между 10% и 25% увеличения доходов.

24
00:01:25,729 --> 00:01:27,770
Таким образом, вы можете себе представить,
вид объема, что вы

25
00:01:27,770 --> 00:01:32,860
речь, когда мы думаем о
даже эти маленькие алгоритмы.

26
00:01:32,860 --> 00:01:35,200
>> Итак, давайте примеры.

27
00:01:35,200 --> 00:01:38,460
Как это, что они
Системы действительно работает?

28
00:01:38,460 --> 00:01:40,773
Есть два основных
виды алгоритмов,

29
00:01:40,773 --> 00:01:45,050
при игре, когда мы говорим о
генерирующие рекомендации.

30
00:01:45,050 --> 00:01:48,650
Первые называются
Содержание фильтрация.

31
00:01:48,650 --> 00:01:53,410
И фильтрация на основе содержания основывается
на сходстве между пунктов

32
00:01:53,410 --> 00:02:00,370
Сами, то есть между двумя фильмами
или две песни или два приобретенных товаров.

33
00:02:00,370 --> 00:02:03,190
Мы собираемся использовать фильмы
В качестве примера, но это

34
00:02:03,190 --> 00:02:07,850
может применяться, в самом деле, любой тип
из возразить, что мы ищем.

35
00:02:07,850 --> 00:02:13,330
>> Так что, если я думаю о некоторых
фильмы с прошлого года,

36
00:02:13,330 --> 00:02:16,799
Я видел наизнанку с
мои дети, они любили его.

37
00:02:16,799 --> 00:02:17,840
Но мы также имели выбор.

38
00:02:17,840 --> 00:02:21,350
Мы могли бы пойти, чтобы увидеть прислужников,
мы могли бы увидеть Возраст Альтрона,

39
00:02:21,350 --> 00:02:24,850
или мы могли бы видели
Ant Человек в театрах.

40
00:02:24,850 --> 00:02:27,580
>> Для любого из них
фильмы, мы могли бы себе представить,

41
00:02:27,580 --> 00:02:33,320
создания списка функций или
качества о тех различных фильмов.

42
00:02:33,320 --> 00:02:37,190
Так, например, я мог бы рассмотреть
какой из этих фильмов анимированы.

43
00:02:37,190 --> 00:02:39,960
Ну, как Inside Out
и Миньоны анимированы.

44
00:02:39,960 --> 00:02:44,140
Ни возраст, ни Альтрона
Ant Man являются анимационных фильмов.

45
00:02:44,140 --> 00:02:47,040
И я мог бы себе представить здание
до структуры, стол, что

46
00:02:47,040 --> 00:02:49,440
список каждого из этих свойств.

47
00:02:49,440 --> 00:02:51,790
Они анимированные или нет?

48
00:02:51,790 --> 00:02:54,780
Я мог бы добавить еще
Особенности этой таблице

49
00:02:54,780 --> 00:02:58,380
добавив несколько строк в этой структуре.

50
00:02:58,380 --> 00:03:00,970
Я мог бы спросить, есть ли или
не они Marvel фильмы.

51
00:03:00,970 --> 00:03:04,010
Ну, Inside Out и Миньоны
не Marvel фильмы,

52
00:03:04,010 --> 00:03:06,715
Возраст Ultron и Ant Man, безусловно, есть.

53
00:03:06,715 --> 00:03:09,100
>> И я мог бы задать любые виды
из различных качеств

54
00:03:09,100 --> 00:03:12,080
что я хотел, любые виды функций
что может быть важно для меня.

55
00:03:12,080 --> 00:03:13,440
Есть ли у них супер злодея?

56
00:03:13,440 --> 00:03:16,700
Ну, нет супер злодей в Inside
, Но есть те, в Миньоны

57
00:03:16,700 --> 00:03:19,990
и в, очевидно,
два супергероя фильмов.

58
00:03:19,990 --> 00:03:23,900
>> Я мог бы также спросить вещи, как, ну,
они проходят тест Bechdel?

59
00:03:23,900 --> 00:03:27,280
Существуют два имени
женские персонажи, которые

60
00:03:27,280 --> 00:03:30,550
потратить некоторое значительное количество
Время разговора: что

61
00:03:30,550 --> 00:03:34,400
не привлекают мужчин в броском?

62
00:03:34,400 --> 00:03:39,870
Ну, в данном случае, Inside Out проходит
тест, Миньоны не удается, возраст Ultron

63
00:03:39,870 --> 00:03:42,990
проходит испытание, и Муравей человек не.

64
00:03:42,990 --> 00:03:45,020
Любой из этих функций
Я мог думать только о

65
00:03:45,020 --> 00:03:48,660
как важно для некоторых людей.

66
00:03:48,660 --> 00:03:52,000
>> Я мог бы также спросить, как вещи являются
Есть ли люди в этих фильмах, которые

67
00:03:52,000 --> 00:03:57,190
являются выпускниками из скажем, Парки и
Отдых, один из моих любимых шоу.

68
00:03:57,190 --> 00:04:00,540
Ну, Inside Out имеет Эми
Поехлер, это выпускником.

69
00:04:00,540 --> 00:04:01,530
Это приравнивается.

70
00:04:01,530 --> 00:04:04,110
Джон Хэмм был в Миньоны.

71
00:04:04,110 --> 00:04:08,600
Пол Радд был в Ant парня, но никто не
в эпоху Ultron был в парки и Req

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

73
00:04:10,150 --> 00:04:12,990
Так что я могу создать этот список
особенности и они могли действительно

74
00:04:12,990 --> 00:04:14,710
быть что-нибудь о кино.

75
00:04:14,710 --> 00:04:17,329
Они могут быть о том, что
соотношение их расстреляли в,

76
00:04:17,329 --> 00:04:21,630
это может быть, сколько мест они
продается на их первый уик-энд.

77
00:04:21,630 --> 00:04:25,630
Любой признак, что я хочу, чтобы
генерировать я могу поставить в этой таблице.

78
00:04:25,630 --> 00:04:29,600
>> Теперь, в этом случае, я построил
все вроде значений Bullion,

79
00:04:29,600 --> 00:04:33,700
да или нет, передать или не,
но они могут быть чем-нибудь.

80
00:04:33,700 --> 00:04:36,690
Они могут быть произвольные значения.

81
00:04:36,690 --> 00:04:39,070
Для фильтрации контента на основе,
то, что мы собираемся сделать

82
00:04:39,070 --> 00:04:42,810
том, что мы будем рассматривать
две колонки в этой таблице

83
00:04:42,810 --> 00:04:45,660
и посмотреть, насколько они похожи.

84
00:04:45,660 --> 00:04:48,640
Так, например, если
пошел к Inside Out,

85
00:04:48,640 --> 00:04:53,640
Я мог бы спросить, каковы другие фильмы
что я мог бы быть готов пойти посмотреть.

86
00:04:53,640 --> 00:04:56,890
То есть, чем готов
тратить деньги, чтобы пойти посмотреть.

87
00:04:56,890 --> 00:05:00,310
И я могу сравнить это, просто принимая
две колонки, одна из Inside Out

88
00:05:00,310 --> 00:05:03,300
и один из любой из
другие фильмы, и просто увидеть

89
00:05:03,300 --> 00:05:06,210
сколько их особенности матче.

90
00:05:06,210 --> 00:05:09,660
Так что, если я сравниваю Inside Out
с Миньоны, ну, там

91
00:05:09,660 --> 00:05:10,910
три вещи, которые здесь совпадают.

92
00:05:10,910 --> 00:05:16,200
Они оба анимированные, ни один из них
являются Marvel фильмы, и оба из них

93
00:05:16,200 --> 00:05:18,420
есть парки и Req выпускников.

94
00:05:18,420 --> 00:05:20,420
Так что я мог рассчитывать на, как
многие матчи были,

95
00:05:20,420 --> 00:05:22,640
и в этом случае было бы три.

96
00:05:22,640 --> 00:05:26,450
>> Итак, если я сравниваю Inside Out
с, скажем, век Ultron,

97
00:05:26,450 --> 00:05:28,430
Я могу смотреть вниз список
и сказать, ну, есть

98
00:05:28,430 --> 00:05:30,140
только одна вещь, которая соответствует есть.

99
00:05:30,140 --> 00:05:34,560
Они оба пройти тест Bechtel, так
что будет оценка одного.

100
00:05:34,560 --> 00:05:36,770
А между Inside Out
и муравей Человек, я снова

101
00:05:36,770 --> 00:05:41,420
Сравните построчно, сколько
вещи совпадают между двумя из них.

102
00:05:41,420 --> 00:05:43,060
Ну, один анимационных, один не.

103
00:05:43,060 --> 00:05:44,970
Один это фильм Marvel, один нет.

104
00:05:44,970 --> 00:05:47,280
Один получил супер злодея,
другой нет.

105
00:05:47,280 --> 00:05:49,480
Один проходит Bechtel
Тест, не удается его,

106
00:05:49,480 --> 00:05:54,450
но они оба имеют Парки и Req выпускников,
так что опять, он получает балл одного.

107
00:05:54,450 --> 00:05:58,300
>> Так что, если бы я искал для фильмов
что были похожи на Inside Out,

108
00:05:58,300 --> 00:06:02,170
Я мог смотреть на фильмы, которые имеют
высокая оценка в этом содержании

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

110
00:06:03,952 --> 00:06:05,660
Таким образом, в этом случае, я
рассмотрит прислужников

111
00:06:05,660 --> 00:06:08,330
чтобы быть ближе и
скорее всего, что-то, чтобы быть

112
00:06:08,330 --> 00:06:13,250
что я бы потратить деньги, чтобы увидеть
чем век Ultron или Ant парня.

113
00:06:13,250 --> 00:06:16,150
>> Они основаны содержание
фильтрующие системы полагаются только

114
00:06:16,150 --> 00:06:18,670
от свойств
фильмы, и поэтому я

115
00:06:18,670 --> 00:06:21,930
можно построить эти просто зная
то о продуктах

116
00:06:21,930 --> 00:06:23,500
что у меня есть.

117
00:06:23,500 --> 00:06:26,050
Я могу использовать любые виды
особенности, которые я хотел бы,

118
00:06:26,050 --> 00:06:28,400
и я могу построить более
сложные функции, которые

119
00:06:28,400 --> 00:06:33,060
привлекать более комплексное тестирование
такого качества, как я иду вперед.

120
00:06:33,060 --> 00:06:39,080
На самом деле, я даже можете просмотреть эту таблицу
не как один статический объект,

121
00:06:39,080 --> 00:06:43,110
а как размеры
в большей пространстве состояний.

122
00:06:43,110 --> 00:06:46,295
И я могу начать говорить о
расстояния между различными фильмами.

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

124
00:06:49,300 --> 00:06:51,050
Все эти вещи,
что мы знаем, как они

125
00:06:51,050 --> 00:06:55,860
сделать с помощью виды структур данных
что мы уже видели в CS50.

126
00:06:55,860 --> 00:06:59,180
Так что я мог себе представить, здание
структура данных для фильма.

127
00:06:59,180 --> 00:07:02,390
Там это структура, что я
построен называется фильм,

128
00:07:02,390 --> 00:07:04,369
и имеет пять логических записей в нем.

129
00:07:04,369 --> 00:07:07,160
Это анимированные ли, это чудо
фильм, у него есть супер злодея,

130
00:07:07,160 --> 00:07:11,047
это пройти тест Bechdel, и
есть парки и Rec выпускники в этом?

131
00:07:11,047 --> 00:07:12,880
И каждый из них представляет собой
Структура данных, что я

132
00:07:12,880 --> 00:07:16,330
может занимать для этого конкретного фильма.

133
00:07:16,330 --> 00:07:20,090
>> Затем вычислить ли два
фильмы, подобные или нет,

134
00:07:20,090 --> 00:07:23,330
что их оценка, я мог
выписать набор псевдокоде, что

135
00:07:23,330 --> 00:07:25,120
генерирует эту же функцию.

136
00:07:25,120 --> 00:07:30,100
То есть, учитывая некоторые фильмы М1, я могу
найти наиболее похожий на него фильм

137
00:07:30,100 --> 00:07:32,430
следуя псевдокод.

138
00:07:32,430 --> 00:07:37,040
Я считаю, что является лучшим
забив систему, что я нашел,

139
00:07:37,040 --> 00:07:39,920
лучший сравнение, которое я нашел.

140
00:07:39,920 --> 00:07:41,890
Для каждого другой фильм
Я собираюсь пройти,

141
00:07:41,890 --> 00:07:44,920
Я установил счет матча равный 0.

142
00:07:44,920 --> 00:07:47,920
И я пройти через это
фильм, с M1, фильм

143
00:07:47,920 --> 00:07:51,500
Я начал с того, что будем проверять
каждый функция

144
00:07:51,500 --> 00:07:53,650
что они должны видеть
если есть матч.

145
00:07:53,650 --> 00:07:56,460
Если есть матч, я буду
увеличить счет матча.

146
00:07:56,460 --> 00:08:00,480
И если в конце матча счет, что
Я лучше, чем нынешняя лучше

147
00:08:00,480 --> 00:08:03,310
забить, то я буду
помните, что лучший результат,

148
00:08:03,310 --> 00:08:05,820
и это лучший матч, который у меня есть.

149
00:08:05,820 --> 00:08:09,450
В конце концов, все фильмы
сидит в лучшем матче,

150
00:08:09,450 --> 00:08:12,580
это ближе
Я был в состоянии прийти.

151
00:08:12,580 --> 00:08:14,890
Таким образом, эти содержание, основанное
Системы фильтрации,

152
00:08:14,890 --> 00:08:16,900
все они имеют эту базовую структуру.

153
00:08:16,900 --> 00:08:20,910
Они полагаются на пункт
в вопросе и ничего

154
00:08:20,910 --> 00:08:24,590
о любом из предпочтений пользователя.

155
00:08:24,590 --> 00:08:29,010
>> Другой механизм, который мы используем в
чтобы построить рекомендательные системы

156
00:08:29,010 --> 00:08:31,790
называется совместная фильтрация.

157
00:08:31,790 --> 00:08:36,520
Совместное фильтрации полагается на
не качества самого объекта,

158
00:08:36,520 --> 00:08:40,010
но, как люди, другие
Пользователи, которые есть, как они

159
00:08:40,010 --> 00:08:43,370
ответили на эти же объекты.

160
00:08:43,370 --> 00:08:48,720
Таким образом, чтобы продолжить моем примере фильма,
Я мог бы взять кучу моих друзей

161
00:08:48,720 --> 00:08:53,180
и обследовать их о том или
они не понравились отдельные фильмы.

162
00:08:53,180 --> 00:08:56,560
Теперь разные места будет генерировать
Эти данные по-разному.

163
00:08:56,560 --> 00:08:59,630
Вы можете прямо обследовать ваш
пользователи, или вы могли бы просто

164
00:08:59,630 --> 00:09:03,120
видеть, что они выбирают, если
Вы, например, Netflix.

165
00:09:03,120 --> 00:09:05,640
Какие фильмы они смотреть?

166
00:09:05,640 --> 00:09:08,670
>> Я мог бы вопрос некоторые из моих
друзья здесь и узнать

167
00:09:08,670 --> 00:09:12,910
что Джейсон понравился каждый фильм
он увидел, не удивительно, там.

168
00:09:12,910 --> 00:09:15,590
Энди любил только прислужников и тетю Человека.

169
00:09:15,590 --> 00:09:19,330
Сара понравилась Inside Out и
Мстители, наоборот Энди.

170
00:09:19,330 --> 00:09:22,200
И Сэм, и Сэм любил
все о супергероях фильмов,

171
00:09:22,200 --> 00:09:24,960
но ни один из анимационных фильмов.

172
00:09:24,960 --> 00:09:30,630
>> Я мог бы запросить некоторые новые
индивидуальный, некоторые другой пользователь, как я,

173
00:09:30,630 --> 00:09:34,520
и спросить, хорошо, если мне понравилось
один из этих фильмов,

174
00:09:34,520 --> 00:09:38,600
Вы можете сделать прогноз о
какие другие фильмы я хотелось бы.

175
00:09:38,600 --> 00:09:41,890
То есть, если мне понравилось Внутри
Отъезда, которые другие фильмы

176
00:09:41,890 --> 00:09:48,460
я, скорее всего, также хотим, чтобы
на основе того, что сделал подобные люди?

177
00:09:48,460 --> 00:09:51,640
То есть, я пойду через
Я фильтровать этот список

178
00:09:51,640 --> 00:09:54,520
и найти только
лица, которые также понравились

179
00:09:54,520 --> 00:09:57,680
Inside Out, который согласованного мои предпочтения.

180
00:09:57,680 --> 00:10:00,824
Ну, это означает, что Энди и
Сэм, что им не нравится наизнанку,

181
00:10:00,824 --> 00:10:02,240
так что я не собираюсь рассматривать их.

182
00:10:02,240 --> 00:10:06,130
Я собираюсь избавиться от их
Данные для такого сравнения.

183
00:10:06,130 --> 00:10:09,750
>> Затем я могу смотреть на то, Джейсоном
и подумала Сара и подсчет

184
00:10:09,750 --> 00:10:13,780
до которой из фильмов, которые они видели
что я не сделал, понравилось ли они их

185
00:10:13,780 --> 00:10:15,150
или нет.

186
00:10:15,150 --> 00:10:17,820
Я мог бы просто подсчитать, скажем голосов.

187
00:10:17,820 --> 00:10:23,360
Так приспешников, например, может возникнуть одна
голосовать за него, потому что Джейсон понравилось.

188
00:10:23,360 --> 00:10:27,170
И Джейсон и Сара понравилась Мстителей,
так что будет иметь два голоса.

189
00:10:27,170 --> 00:10:30,700
И только Джейсон понравился Ant Man,
так что было бы получить один голос.

190
00:10:30,700 --> 00:10:34,870
Так что, если я должен был затем рекомендовать
для себя, какой из этих фильмов

191
00:10:34,870 --> 00:10:41,470
Я мог бы быть, скорее всего, смотреть, я бы
нужно выбрать век Ultron: Мстители.

192
00:10:41,470 --> 00:10:44,490
>> Таким образом, для любого из них
Системы, в настоящее время я использую

193
00:10:44,490 --> 00:10:49,260
Данные, который был сгенерирован не о
сам фильм, но о предпочтениях

194
00:10:49,260 --> 00:10:51,960
от других пользователей.

195
00:10:51,960 --> 00:10:54,150
Это имеет некоторые трудности, конечно.

196
00:10:54,150 --> 00:10:55,920
Что делать, если у вас нет каких-либо других пользователей?

197
00:10:55,920 --> 00:10:58,770
Ну, что называется запуск проблема.

198
00:10:58,770 --> 00:11:03,760
Вы должны иметь некоторые
количество данных, прежде чем вы

199
00:11:03,760 --> 00:11:07,560
возможность начать зарабатывать
эти рекомендации.

200
00:11:07,560 --> 00:11:10,940
Оборотной стороной этого является один раз
Вы начинаете сбор данных,

201
00:11:10,940 --> 00:11:13,870
если вы можете собрать больше
и все больше и больше данных,

202
00:11:13,870 --> 00:11:17,850
Вы получите все лучше и лучше
и лучше рекомендации.

203
00:11:17,850 --> 00:11:21,650
>> Теперь мы могли бы перевести
это в коде, а также.

204
00:11:21,650 --> 00:11:23,860
Мы можем определить другое
Такая структура,

205
00:11:23,860 --> 00:11:25,720
в этом случае мы будем называть его пользователь.

206
00:11:25,720 --> 00:11:30,970
И он получил функции о
какие фильмы этого пользователя понравилось.

207
00:11:30,970 --> 00:11:34,560
Они хотели Inside Out,
Миньонов, Мстители, и муравей Человек.

208
00:11:34,560 --> 00:11:36,660
Мы могли бы генерировать
некоторые псевдокод следовать

209
00:11:36,660 --> 00:11:39,460
та же процедура, что я использовал раньше.

210
00:11:39,460 --> 00:11:43,460
То есть, учитывая особенности
Пользователь х, давайте рекомендуем кино

211
00:11:43,460 --> 00:11:46,107
что х может понравиться.

212
00:11:46,107 --> 00:11:47,940
Мы можем пройти и
для всех фильмов,

213
00:11:47,940 --> 00:11:51,410
мы можем инициализировать счет
для этого кино, чтобы быть 0.

214
00:11:51,410 --> 00:11:54,080
И тогда мы можем найти все
других пользователей, которые

215
00:11:54,080 --> 00:11:57,630
имеют те же предпочтения, как х.

216
00:11:57,630 --> 00:11:59,990
А потом каждый
фильм, который им понравился,

217
00:11:59,990 --> 00:12:02,340
мы увеличиваем счет этого фильма.

218
00:12:02,340 --> 00:12:05,010
Какой бы фильм в
конец имеет высокий балл,

219
00:12:05,010 --> 00:12:07,600
это тот, который я должен рекомендовать.

220
00:12:07,600 --> 00:12:09,890
>> Все это на самом деле неясно.

221
00:12:09,890 --> 00:12:11,600
Ничто из этого не является сложной задачей.

222
00:12:11,600 --> 00:12:15,810
Это все основные алгоритмы
что вы могли бы реализовать сегодня.

223
00:12:15,810 --> 00:12:20,050
>> Теперь в режиме реального рекомендательных систем,
Вы столкнуться с некоторыми проблемами.

224
00:12:20,050 --> 00:12:23,300
Что делать, если нет никого, кто
точно соответствует вашим предпочтениям?

225
00:12:23,300 --> 00:12:27,170
Что делать, если есть пользователи, которые
ровно ваши предпочтения,

226
00:12:27,170 --> 00:12:30,480
но потом резко отклоняться
от того, что вы хотели?

227
00:12:30,480 --> 00:12:36,210
Мне нравится классический Годзилла
фильмы, но моя жена не делает.

228
00:12:36,210 --> 00:12:39,430
Мне нравится смотреть на них, мой
Счет Netflix содержит их.

229
00:12:39,430 --> 00:12:41,800
Ее нам не делает.

230
00:12:41,800 --> 00:12:45,230
Что происходит, когда мы начинаем
смешивания данных, как это?

231
00:12:45,230 --> 00:12:47,690
Все эти проблемы
что вы можете преодолеть,

232
00:12:47,690 --> 00:12:51,900
они просто занять немного
более сложных алгоритмов.

233
00:12:51,900 --> 00:12:56,420
>> В настоящее время в реальном мире, который
на самом деле работает,

234
00:12:56,420 --> 00:12:59,980
мы используем фильтрацию содержимого на основе или
мы используем совместной фильтрации?

235
00:12:59,980 --> 00:13:01,910
И ответ мы используем оба.

236
00:13:01,910 --> 00:13:06,350
Почти все из главных пользователей
этот случай, Amazon, Facebook, Netflix,

237
00:13:06,350 --> 00:13:11,200
Пандора, все они используют комбинацию
эти различные системы рекомендаций.

238
00:13:11,200 --> 00:13:16,520
И когда мы объединяем выбор из
каждый, мы называем их гибридные системы.

239
00:13:16,520 --> 00:13:20,750
Они каким-то образом зависеть от
особенности самого объекта,

240
00:13:20,750 --> 00:13:24,710
и в некоторых отношениях они зависят от
предпочтения других пользователей.

241
00:13:24,710 --> 00:13:28,120
Эти гибридные системы,
они большие бизнес,

242
00:13:28,120 --> 00:13:30,830
и они то, что ток сегодня.

243
00:13:30,830 --> 00:13:32,839
>> Так что спасибо очень много для присоединиться ко мне.

244
00:13:32,839 --> 00:13:35,380
Я надеюсь, что вы получили немного
немного понимания того, что

245
00:13:35,380 --> 00:13:37,430
делает эти работы системы.

246
00:13:37,430 --> 00:13:41,980
В следующий раз вы в Интернете, помните, что
не только вы, влияющим ваш выбор,

247
00:13:41,980 --> 00:13:44,680
но потенциально все еще, как хорошо.

248
00:13:44,680 --> 00:13:46,480
Еще раз спасибо.

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