Comments 7
А какой-нибудь из этих методов может рекомендовать до покупки, а не после? А если может, то почему он нигде не используются?
Вся таргетированная реклама рекламирует покупку строго после покупки!
Вы говорите о проблеме холодного старта
Не, это проблема всех этих технологий. Так же как современные ИИ - никаких предсказаний, только усреднение, следовательно запаздывание.
Яндекс, например - какой холодный старт? Вся реклама - вчерашнее.
ИМХО, простая случайная схема даст 50% попадания, таргетированная - хорошо если 20% а то и того меньше.
Есть сервис, где люди записывают прочитанные книги. Как для человека дать рекомендацию "что еще прочитать"? Наиболее подходящий подход?
Что за сервис?, есть ссылочка?
Пока нет, делаю для себя, хотя наверное аналогов миллион.
В такой штуке рекомендации может и не нужны, но было бы прикольно порробовать.
Несколько мыслей:
Нужен порог, т.е. если прям совсем совсем не уверен, что следует дать рекомендацию - не давать.
Данные для рекоммендаций не только свои, например можно брать данные Goodreads.com или еще какие-то.
Пробовал спрашивать ChatGPT, вроде "вот список книг, прочитанных мной за последние 3 года, что еще прочитать?" - они все дают какую-то ерунду, либо книги, которых вообще не существует, либо какую-то редкую дичь, либо банальщину, ChatGPT еще лучше, Google Bart дает полную ерунду, яндексовская балалайка еще хуже.
Тут лучше взять источники данных из Интернета (Kaggle например) и сделать простую модельку. К примеру, item-to-item подход. И уже при помощи этого делать рекомендации.
А вот если ничего не известно, то просто рекомендовать популярное. Опять же основываясь на данные.
Но для качественной рекомендации необходимо накапливать данные своих пользователей.
Шпаргалка по рекомендательным системам