1
00:00:00,000 --> 00:00:03,416
>> [Predvaja glasba]

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

3
00:00:05,860 --> 00:00:08,180
>> BRAIN SCASSELLATI: Dobrodošli
v seriji CS50 AI.

4
00:00:08,180 --> 00:00:12,600
Moje ime je Scass, in danes gremo
govoriti o recommender sistemov.

5
00:00:12,600 --> 00:00:15,780
Zdaj recommender sistemi zvoki
kot nekako čudno ime.

6
00:00:15,780 --> 00:00:18,630
Sliši se kot morda bi morala
biti priporočilo sistemi,

7
00:00:18,630 --> 00:00:21,290
in sem se nekako strinjam s tabo.

8
00:00:21,290 --> 00:00:26,110
Toda to so sistemi, ki pomagajo
izberite podobne stvari, kjer je to

9
00:00:26,110 --> 00:00:28,210
izberete nekaj online.

10
00:00:28,210 --> 00:00:32,119
Netflix, na primer bo predlagal drugega
filmi, ki bi si želeli gledati.

11
00:00:32,119 --> 00:00:36,660
Ali bo Pandora kažejo drugačno
pesmi, ki bi si želeli poslušati.

12
00:00:36,660 --> 00:00:40,940
Amazon bo predlagal kakšne vrste
drugi proizvodi, boste morda želeli kupiti.

13
00:00:40,940 --> 00:00:43,520
Facebook bo celo kažejo
nekatere druge prijatelje

14
00:00:43,520 --> 00:00:45,440
da boste morda želeli dodati.

15
00:00:45,440 --> 00:00:49,800
Vsaka od teh sistemov delujejo prek
enake osnovne vrste algoritma

16
00:00:49,800 --> 00:00:52,520
in to je tisto, kar smo
bomo danes govorili.

17
00:00:52,520 --> 00:00:56,860
>> Zdaj ti algoritmi
Presenetljivo velik posel.

18
00:00:56,860 --> 00:01:01,130
Netflix je pred nekaj leti v
2009 ponudil 1 milijon $

19
00:01:01,130 --> 00:01:07,240
nagrado, če bi lahko izboljšali njihovo
Priporočilo sistem za samo 10%.

20
00:01:07,240 --> 00:01:11,960
Da je 10%, čeprav predstavlja
precejšen obseg poslovanja.

21
00:01:11,960 --> 00:01:15,330
Ocene so težko
dobiti, vendar veliko ljudi

22
00:01:15,330 --> 00:01:19,050
Verjamem, da ti priporočilo
sistemi za spletni nakup

23
00:01:19,050 --> 00:01:25,729
Sistem, kot so Amazon pripelje do nekje
med 10% in 25% povečanju prihodkov.

24
00:01:25,729 --> 00:01:27,770
Torej si lahko predstavljate
vrsta volumna, ki ste

25
00:01:27,770 --> 00:01:32,860
govorimo o tem, ko razmišljamo o
tudi ti malo algoritmi.

26
00:01:32,860 --> 00:01:35,200
>> Torej, kaj je dobil nekaj primerov.

27
00:01:35,200 --> 00:01:38,460
Kako je to, da ti
Sistemi res deluje?

28
00:01:38,460 --> 00:01:40,773
Obstajata dve osnovni
vrste algoritmov, ki

29
00:01:40,773 --> 00:01:45,050
so v igri, ko govorimo o
Priporočila, ki ustvarjajo.

30
00:01:45,050 --> 00:01:48,650
Prvi so se imenujejo
Vsebina temelji na filtriranje.

31
00:01:48,650 --> 00:01:53,410
In vsebina, ki temelji filtriranje blestel
na podobnosti med postavkami

32
00:01:53,410 --> 00:02:00,370
same, ki je med dvema filme
ali dve pesmi ali dve kupljene postavke.

33
00:02:00,370 --> 00:02:03,190
Bomo uporabili filme
Kot primer, vendar je to

34
00:02:03,190 --> 00:02:07,850
se lahko uporablja, res, za vse vrste
objekta, ki ga iščemo.

35
00:02:07,850 --> 00:02:13,330
>> Torej, če mislim, da o nekaterih
filmov iz lanskega leta,

36
00:02:13,330 --> 00:02:16,799
Videl sem Inside Out z
moji otroci, so ga ljubili.

37
00:02:16,799 --> 00:02:17,840
Vendar smo imeli tudi možnost izbire.

38
00:02:17,840 --> 00:02:21,350
Lahko bi šli, da vidite Sluge,
smo lahko videli Age of Ultron,

39
00:02:21,350 --> 00:02:24,850
ali smo lahko videli
Ant Man v gledališčih.

40
00:02:24,850 --> 00:02:27,580
>> Za katero od teh
filmi, smo lahko predstavljate

41
00:02:27,580 --> 00:02:33,320
ustvari seznam funkcij ali
lastnosti, o teh različnih filmov.

42
00:02:33,320 --> 00:02:37,190
Tako bi lahko na primer menim
kateri od teh filmov so animirani.

43
00:02:37,190 --> 00:02:39,960
No, tako Inside Out
in Sluge so animirani.

44
00:02:39,960 --> 00:02:44,140
Niti Starost Ultron niti
Ant Man so animirani filmi.

45
00:02:44,140 --> 00:02:47,040
In jaz bi si predstavljam stavbo
up strukture, tabele, ki

46
00:02:47,040 --> 00:02:49,440
izpiše vsako od teh lastnosti.

47
00:02:49,440 --> 00:02:51,790
So animirani ali ne?

48
00:02:51,790 --> 00:02:54,780
Jaz bi nato dodajte več
funkcije v tej tabeli

49
00:02:54,780 --> 00:02:58,380
z dodajanjem več vrstic v to strukturo.

50
00:02:58,380 --> 00:03:00,970
Jaz bi vprašati, ali
ne oni Marvel filmov.

51
00:03:00,970 --> 00:03:04,010
No, Inside Out in Sluge
niso Marvel filmov,

52
00:03:04,010 --> 00:03:06,715
Starost Ultron in Ant Man gotovo so.

53
00:03:06,715 --> 00:03:09,100
>> In jaz lahko vprašam vse vrste
za različne kakovosti

54
00:03:09,100 --> 00:03:12,080
da sem želel, vse vrste funkcij
da bi bilo pomembno zame.

55
00:03:12,080 --> 00:03:13,440
Ali imajo super lopov?

56
00:03:13,440 --> 00:03:16,700
No, ni super lopov v Inside
Ven, vendar pa so tisti v Sluge

57
00:03:16,700 --> 00:03:19,990
in, seveda je
dve Superhero filmi.

58
00:03:19,990 --> 00:03:23,900
>> Jaz lahko vprašam tudi stvari, kot so, dobro,
ne opravijo preizkus Bechdel?

59
00:03:23,900 --> 00:03:27,280
Ali obstajajo dve imenom
ženski liki, ki

60
00:03:27,280 --> 00:03:30,550
preživijo nekaj veliko količino
Čas ob pogovoru, ki

61
00:03:30,550 --> 00:03:34,400
ne gre za moške, v zasedbi?

62
00:03:34,400 --> 00:03:39,870
No, v tem primeru, Inside Out prehaja
test, Sluge ne uspe, Age of Ultron

63
00:03:39,870 --> 00:03:42,990
opravi preskus, in Ant Man uspe.

64
00:03:42,990 --> 00:03:45,020
Koli izmed teh funkcij
Sem razmišljala o tem

65
00:03:45,020 --> 00:03:48,660
kot pomembno za nekatere ljudi.

66
00:03:48,660 --> 00:03:52,000
>> Jaz lahko vprašam tudi stvari, kot so
tam vsi ljudje v teh filmih, ki

67
00:03:52,000 --> 00:03:57,190
so alumni iz recimo, parki in
Rekreacija, ena izmed mojih najljubših oddaj.

68
00:03:57,190 --> 00:04:00,540
No, Inside Out je Amy
Poehler, da je nekdanjih štipendistov.

69
00:04:00,540 --> 00:04:01,530
Ki šteje.

70
00:04:01,530 --> 00:04:04,110
Jon Hamm je bil v Sluge.

71
00:04:04,110 --> 00:04:08,600
Paul Rudd je bil Ant Man, vendar nihče
V dobi Ultron bil v parkih in Req

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

73
00:04:10,150 --> 00:04:12,990
Tako sem lahko zgraditi ta seznam
funkcije, in so lahko res

74
00:04:12,990 --> 00:04:14,710
biti nič o filmih.

75
00:04:14,710 --> 00:04:17,329
Ti bi se lahko kaj
razmerje so ustrelili v,

76
00:04:17,329 --> 00:04:21,630
da bi se lahko, koliko sedežev so
prodajajo na svoji otvoritveni vikend.

77
00:04:21,630 --> 00:04:25,630
Vse funkcije, da želim
ustvarjajo morem dati v tej tabeli.

78
00:04:25,630 --> 00:04:29,600
>> Zdaj, v tem primeru, sem zgradil
vse vrste vrednot Bullion,

79
00:04:29,600 --> 00:04:33,700
da ali ne, mimo ali ne,
vendar bi lahko bilo karkoli.

80
00:04:33,700 --> 00:04:36,690
Ti so lahko poljubnih vrednosti.

81
00:04:36,690 --> 00:04:39,070
Za vsebino, ki temelji filtriranje,
kaj bomo storili

82
00:04:39,070 --> 00:04:42,810
se bomo, da razmisli
dva stolpca v tej tabeli

83
00:04:42,810 --> 00:04:45,660
in videli, kako podobni so.

84
00:04:45,660 --> 00:04:48,640
Tako na primer, če sem
obiskal Inside Out,

85
00:04:48,640 --> 00:04:53,640
Jaz lahko vprašam, kaj so drugi filmi
da bi moral biti pripravljen iti videti.

86
00:04:53,640 --> 00:04:56,890
To pomeni, da tisto, kar želijo
porabiti svoj denar, da gredo videti.

87
00:04:56,890 --> 00:05:00,310
In to lahko primerjate z šele ob
dva stolpca, ena od znotraj navzven

88
00:05:00,310 --> 00:05:03,300
in enega iz katerega koli od
drugi filmi, in samo videnje

89
00:05:03,300 --> 00:05:06,210
koliko njihove funkcije tekmo.

90
00:05:06,210 --> 00:05:09,660
Torej, če primerjam Inside Out
z Sluge, no, tam je

91
00:05:09,660 --> 00:05:10,910
tri stvari, ki so tukaj, ki se ujemajo.

92
00:05:10,910 --> 00:05:16,200
Oni so tako animirani, nobeden od njih
so Marvel filmov in oba

93
00:05:16,200 --> 00:05:18,420
imajo parki in req alumni.

94
00:05:18,420 --> 00:05:20,420
Tako sem lahko računam gor, kako
veliko tekem je bilo,

95
00:05:20,420 --> 00:05:22,640
in v tem primeru bi bilo tri.

96
00:05:22,640 --> 00:05:26,450
>> Če pa primerjam Inside Out
z recimo Age of Ultron,

97
00:05:26,450 --> 00:05:28,430
Jaz lahko ogledate določitvi seznama
in rekel, dobro, tam je

98
00:05:28,430 --> 00:05:30,140
Samo ena stvar je, ki se ujema tam.

99
00:05:30,140 --> 00:05:34,560
Oba prestati preskus Bechtel, tako
da se dogaja, da je rezultat enega.

100
00:05:34,560 --> 00:05:36,770
In med Inside Out
in Ant Man, sem spet

101
00:05:36,770 --> 00:05:41,420
Lahko primerjate po vrsticah, koliko
Stvari se ujemajo med njima.

102
00:05:41,420 --> 00:05:43,060
No, en animirani, eden je ni.

103
00:05:43,060 --> 00:05:44,970
Ena je Marvel film, ena ni.

104
00:05:44,970 --> 00:05:47,280
Eden je dobil super lopov,
drugi pa ne.

105
00:05:47,280 --> 00:05:49,480
Ena prehaja Bechtel
test, eden ga ne uspe,

106
00:05:49,480 --> 00:05:54,450
vendar imata oba parki in req alumni,
tako znova, da dobi rezultat enega.

107
00:05:54,450 --> 00:05:58,300
>> Torej, če sem iskali za filme
da so bili podobni Inside Out,

108
00:05:58,300 --> 00:06:02,170
Jaz bi si za filme, ki imajo
najvišja ocena v okviru te vsebine

109
00:06:02,170 --> 00:06:03,952
Shema za filtriranje.

110
00:06:03,952 --> 00:06:05,660
Torej, v tem primeru sem
bi upošteval Sluge

111
00:06:05,660 --> 00:06:08,330
biti bližje in bolj
verjetno nekaj

112
00:06:08,330 --> 00:06:13,250
da bi porabili denar za ogled
kot Age of Ultron ali Ant Man.

113
00:06:13,250 --> 00:06:16,150
>> Na osnovi teh vsebin
sistemi za filtriranje zanašajte samo

114
00:06:16,150 --> 00:06:18,670
o lastnostih
filmi, in tako sem

115
00:06:18,670 --> 00:06:21,930
lahko gradijo ti samo s poznavanjem
Nekaj ​​o izdelkih

116
00:06:21,930 --> 00:06:23,500
da imam.

117
00:06:23,500 --> 00:06:26,050
Lahko uporabite vse vrste
funkcije, ki bi rad,

118
00:06:26,050 --> 00:06:28,400
in sem se lahko gradijo več
kompleksne funkcije, ki

119
00:06:28,400 --> 00:06:33,060
vključevati bolj zapleteno preizkus
takšne kakovosti, kot sem šel skupaj.

120
00:06:33,060 --> 00:06:39,080
V bistvu, lahko sem celo to tabelo
ne kot eno statični objekt,

121
00:06:39,080 --> 00:06:43,110
ampak kot dimenzije
v večjem prostoru stanj.

122
00:06:43,110 --> 00:06:46,295
In lahko začnem govorimo o
Razdalje med različnimi filmov.

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

124
00:06:49,300 --> 00:06:51,050
To so vse stvari,
da vemo, kako so

125
00:06:51,050 --> 00:06:55,860
storite z uporabo vrste podatkovnih struktur
da smo že videli v CS50.

126
00:06:55,860 --> 00:06:59,180
Tako sem lahko predstavljate stavbo
podatkovna struktura za film.

127
00:06:59,180 --> 00:07:02,390
Tam je struct, ki sem jih
zgrajeno imenuje film,

128
00:07:02,390 --> 00:07:04,369
in ima pet logičnih vnose v njem.

129
00:07:04,369 --> 00:07:07,160
Je animiral, je Marvel
film, pa ima super lopov,

130
00:07:07,160 --> 00:07:11,047
ne prenese test Bechdel, in
obstajajo Parki in Rec alumni v njem?

131
00:07:11,047 --> 00:07:12,880
In vsak od teh je
podatkovna struktura, ki sem

132
00:07:12,880 --> 00:07:16,330
Lahko zasedajo za to določeno film.

133
00:07:16,330 --> 00:07:20,090
>> Nato izračuna ali dveh
filmi so podobni ali ne,

134
00:07:20,090 --> 00:07:23,330
kakšna je njihova ocena je, da sem lahko
izpišite niz psevdokoda da

135
00:07:23,330 --> 00:07:25,120
generira to isto funkcijo.

136
00:07:25,120 --> 00:07:30,100
Da je, glede na nekatere film M1, sem lahko
najti najbolj podoben film z njo

137
00:07:30,100 --> 00:07:32,430
s po psevdokoda.

138
00:07:32,430 --> 00:07:37,040
Menim, kateri je najboljši
sistem točkovanja, ki sem jih našel,

139
00:07:37,040 --> 00:07:39,920
najboljša primerjava, ki sem jih našel.

140
00:07:39,920 --> 00:07:41,890
Za vsak drugi film
Jaz bom šel skozi,

141
00:07:41,890 --> 00:07:44,920
Bom nastavite rezultat dvoboja enak 0.

142
00:07:44,920 --> 00:07:47,920
In jaz bom šel skozi to
Film, An M1, film

143
00:07:47,920 --> 00:07:51,500
Začel sem z, bom preveriti
vsak element

144
00:07:51,500 --> 00:07:53,650
da imajo videti
če je ujemanje.

145
00:07:53,650 --> 00:07:56,460
Če je tekma, bom
prirastek rezultat tekmo.

146
00:07:56,460 --> 00:08:00,480
In če na koncu rezultat tekmo, ki
Sem je bolje kot sedanja najbolje

147
00:08:00,480 --> 00:08:03,310
rezultat, potem bom
ne pozabite, da je najboljši rezultat,

148
00:08:03,310 --> 00:08:05,820
in to je najboljša tekma, ki jo imam.

149
00:08:05,820 --> 00:08:09,450
Na koncu, kar film
je sedel v najboljšem srečanja

150
00:08:09,450 --> 00:08:12,580
ki je najbližje
Bil sem sposoben priti.

151
00:08:12,580 --> 00:08:14,890
Torej, na osnovi teh vsebin
filtrirne naprave,

152
00:08:14,890 --> 00:08:16,900
vsi imajo to osnovno strukturo.

153
00:08:16,900 --> 00:08:20,910
Zanašajo se na postavki
na vprašanje in nič

154
00:08:20,910 --> 00:08:24,590
o kateri koli od želje uporabnikov.

155
00:08:24,590 --> 00:08:29,010
>> Drugi mehanizem, ki jih uporabljamo v
naročite graditi priporočilo sisteme

156
00:08:29,010 --> 00:08:31,790
se imenuje sodelovalno filtriranje.

157
00:08:31,790 --> 00:08:36,520
Sodelovalno filtriranje opira na
ne pa lastnosti predmeta samega,

158
00:08:36,520 --> 00:08:40,010
ampak kako ljudje, drugo
Uporabniki, ki je, kako oni '

159
00:08:40,010 --> 00:08:43,370
odzvala na te iste stvari.

160
00:08:43,370 --> 00:08:48,720
Torej, da nadaljuje s svojim filma primer,
Jaz bi si kup mojih prijateljev

161
00:08:48,720 --> 00:08:53,180
in jih raziskava o tem, ali
ni jim všeč, posebne filme.

162
00:08:53,180 --> 00:08:56,560
Zdaj bodo različni kraji ustvarjanje
Ti podatki so na različne načine.

163
00:08:56,560 --> 00:08:59,630
Lahko neposredno raziskavo vaš
uporabniki, ali pa si lahko samo

164
00:08:59,630 --> 00:09:03,120
videti, kaj izbrati, če
ste, na primer Netflix.

165
00:09:03,120 --> 00:09:05,640
Kateri filmi pa so gledal?

166
00:09:05,640 --> 00:09:08,670
>> Jaz bi vprašanje nekaj mojih
prijatelji tu in izvedeli

167
00:09:08,670 --> 00:09:12,910
da Jason všeč vsak film
je videl, ni pa presenetljivo.

168
00:09:12,910 --> 00:09:15,590
Andy je všeč samo Sluge in teto Man.

169
00:09:15,590 --> 00:09:19,330
Sarah všeč Inside Out in
Avengers, nasprotje Andy.

170
00:09:19,330 --> 00:09:22,200
In Sam, no, Sam všeč
vse superheroj filmov,

171
00:09:22,200 --> 00:09:24,960
vendar nobeden od animiranih filmov.

172
00:09:24,960 --> 00:09:30,630
>> Jaz bi se potem pozanima za nekatere nove
Posameznik, nekateri drugi uporabnik, kot sem jaz

173
00:09:30,630 --> 00:09:34,520
in vprašati, no, če mi je všeč
eden od teh filmov,

174
00:09:34,520 --> 00:09:38,600
Lahko naredite napoved o
kateri drugi filmi bom morda všeč.

175
00:09:38,600 --> 00:09:41,890
To je, če sem Inside všeč
Out, ki drugih filmih

176
00:09:41,890 --> 00:09:48,460
sem verjetno tudi želijo videti
temelji na tisto, podobni ljudje storili?

177
00:09:48,460 --> 00:09:51,640
To pomeni, da bom šel posredno preko
Bom filtrira skozi ta seznam

178
00:09:51,640 --> 00:09:54,520
in našli samo
posamezniki, ki so prav tako všeč

179
00:09:54,520 --> 00:09:57,680
Inside Out, ki se ujema moje želje.

180
00:09:57,680 --> 00:10:00,824
No, to pa pomeni, da se Andy in
Sam, ti ni všeč Inside Out,

181
00:10:00,824 --> 00:10:02,240
tako da ne bom, da jih obravnava.

182
00:10:02,240 --> 00:10:06,130
Grem, da se znebite svoje
Podatki za to primerjavo.

183
00:10:06,130 --> 00:10:09,750
>> Lahko pa pogledamo, kaj Jason
in Sarah misli in zaznamovati

184
00:10:09,750 --> 00:10:13,780
do katerega izmed filmov, ki sta jih videla
da nisem to, ali so jim všeč

185
00:10:13,780 --> 00:10:15,150
ali ne.

186
00:10:15,150 --> 00:10:17,820
Jaz lahko samo štetje, recimo glasov.

187
00:10:17,820 --> 00:10:23,360
Torej Sluge, na primer morda eno
glasovati za to, ker Jason je všeč.

188
00:10:23,360 --> 00:10:27,170
Oba sta Jason in Sarah všeč Avengers,
tako da bi imeli dva glasova.

189
00:10:27,170 --> 00:10:30,700
In samo Jason všeč Ant Man,
tako da bi dobil en glas.

190
00:10:30,700 --> 00:10:34,870
Torej, če sem moral potem priporočam
za sebe, kateri od teh filmov

191
00:10:34,870 --> 00:10:41,470
Morda bom najverjetneje gledal, jaz bi
morali izbrati Age of Ultron: Avengers.

192
00:10:41,470 --> 00:10:44,490
>> Torej za katerega koli od teh
sistemi, zdaj sem s pomočjo

193
00:10:44,490 --> 00:10:49,260
Podatki, ki je ne ustvari približno
Film sam po sebi, ampak o preferencah

194
00:10:49,260 --> 00:10:51,960
iz drugih uporabnikov.

195
00:10:51,960 --> 00:10:54,150
To ima nekaj težav, seveda.

196
00:10:54,150 --> 00:10:55,920
Kaj pa, če nimate nobenih drugih uporabnikov?

197
00:10:55,920 --> 00:10:58,770
No, to se imenuje zagonski problem.

198
00:10:58,770 --> 00:11:03,760
Moraš imeti nekaj
Količina podatkov, preden ste

199
00:11:03,760 --> 00:11:07,560
lahko začeli delati
ta priporočila.

200
00:11:07,560 --> 00:11:10,940
Druga plat tega je, ko
začnete zbiranje podatkov,

201
00:11:10,940 --> 00:11:13,870
če lahko zbere več
in vedno več podatkov,

202
00:11:13,870 --> 00:11:17,850
boste dobili boljši in boljši
in boljša priporočila.

203
00:11:17,850 --> 00:11:21,650
>> Zdaj bomo lahko prevedli
to v kodi, kot tudi.

204
00:11:21,650 --> 00:11:23,860
Mi lahko določite drugačen
vrsta strukture,

205
00:11:23,860 --> 00:11:25,720
V tem primeru bomo ga pokličete uporabnik.

206
00:11:25,720 --> 00:11:30,970
In to je dobil funkcije o
kateri filmi ta uporabnik všeč.

207
00:11:30,970 --> 00:11:34,560
Ali jim je všeč Inside Out,
Sluge, Avengers, in Ant Man.

208
00:11:34,560 --> 00:11:36,660
Mi lahko potem ustvari
nekateri psevdokoda slediti

209
00:11:36,660 --> 00:11:39,460
enak postopek, da sem se prej.

210
00:11:39,460 --> 00:11:43,460
To pomeni, daje poseben
Uporabnik x, pa priporočam film

211
00:11:43,460 --> 00:11:46,107
da je x morda všeč.

212
00:11:46,107 --> 00:11:47,940
Mi lahko šel skozi in
za vse filme,

213
00:11:47,940 --> 00:11:51,410
bomo lahko inicializacijo rezultat
Za to film biti 0.

214
00:11:51,410 --> 00:11:54,080
In potem bomo lahko našli vse
od drugih uporabnikov, ki so

215
00:11:54,080 --> 00:11:57,630
imajo enake nastavitve kot x.

216
00:11:57,630 --> 00:11:59,990
In nato za vsak
Film, ki jim je všeč,

217
00:11:59,990 --> 00:12:02,340
bomo prirastek rezultat tega filma.

218
00:12:02,340 --> 00:12:05,010
Katerikoli film v
Konec ima najvišjo oceno,

219
00:12:05,010 --> 00:12:07,600
to je tisti, ki sem moral priporočam.

220
00:12:07,600 --> 00:12:09,890
>> Nič od tega ni res nejasna.

221
00:12:09,890 --> 00:12:11,600
Nič od tega ni zahtevna.

222
00:12:11,600 --> 00:12:15,810
To so vse osnovne algoritme
da lahko izvajajo danes.

223
00:12:15,810 --> 00:12:20,050
>> Zdaj z realno recommender sistemov,
naletite na nekaj težav.

224
00:12:20,050 --> 00:12:23,300
Kaj pa, če je nihče ne kdo
ujema natanko nastavitve?

225
00:12:23,300 --> 00:12:27,170
Kaj pa, če obstajajo uporabniki, ki
so natanko vaše želje,

226
00:12:27,170 --> 00:12:30,480
potem pa odstopa drastično
od tistega, kar vam je všeč?

227
00:12:30,480 --> 00:12:36,210
Všeč mi je klasičen Godzillo
filmi, ampak moja žena ne.

228
00:12:36,210 --> 00:12:39,430
Rad jih gledam, moj
Netflix račun jih vsebuje.

229
00:12:39,430 --> 00:12:41,800
Ji je ne.

230
00:12:41,800 --> 00:12:45,230
Kaj se zgodi, ko smo začeli
mešanje podatkov, kot je ta?

231
00:12:45,230 --> 00:12:47,690
To so vsi izzivi
ki jih lahko premagali,

232
00:12:47,690 --> 00:12:51,900
so nekoliko vzemite
bolj zapletenih algoritmov.

233
00:12:51,900 --> 00:12:56,420
>> Zdaj v realnem svetu, ki
so dejansko delovati,

234
00:12:56,420 --> 00:12:59,980
bomo uporabili vsebinsko temelji filtriranje ali
bomo uporabili sodelovalno filtriranje?

235
00:12:59,980 --> 00:13:01,910
In je odgovor uporabljamo oba.

236
00:13:01,910 --> 00:13:06,350
Skoraj vsi izmed glavnih uporabnikov
V tem primeru, Amazon, Facebook, Netflix,

237
00:13:06,350 --> 00:13:11,200
Pandora, vsi uporabljajo kombinacijo
ti različni priporočilo sistemi.

238
00:13:11,200 --> 00:13:16,520
In ko smo se združujejo odločitve iz
vsak, jih imenujemo hibridne sisteme.

239
00:13:16,520 --> 00:13:20,750
So na nek način odvisna od
lastnosti predmeta samega,

240
00:13:20,750 --> 00:13:24,710
in v nekaterih pogledih so odvisni
preference drugih uporabnikov.

241
00:13:24,710 --> 00:13:28,120
Ti hibridni sistemi,
oni so velik posel,

242
00:13:28,120 --> 00:13:30,830
in oni, kaj je tok danes.

243
00:13:30,830 --> 00:13:32,839
>> Torej, hvala lepa se mi pridružil.

244
00:13:32,839 --> 00:13:35,380
Upam, da ste gotten malo
malo razumevanja, kaj

245
00:13:35,380 --> 00:13:37,430
naredi ti sistemi dela.

246
00:13:37,430 --> 00:13:41,980
Naslednjič, ko ste na spletu, ne pozabite, da
Ne samo, da vplivanja na vaše izbire,

247
00:13:41,980 --> 00:13:44,680
vendar potencialno vsi ostali, je tudi.

248
00:13:44,680 --> 00:13:46,480
Hvala še enkrat.

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