Visão geral das recomendações

Os sistemas de recomendação são uma das aplicações mais bem-sucedidas e disseminadas de machine learning para empresas. Você pode usar um sistema de recomendação para ajudar seus usuários a encontrar conteúdo atraente em um grande corpo de conteúdo. Por exemplo, a Google Play Store oferece milhões de apps, enquanto o YouTube fornece bilhões de vídeos, com mais apps e vídeos adicionados todos os dias. Os usuários podem usar a pesquisa para encontrar conteúdo novo, mas isso é limitado pelos termos de pesquisa usados. Um sistema de recomendação pode sugerir conteúdo que os usuários talvez não tenham pensado em pesquisar por conta própria. Para mais informações, consulte Visão geral dos sistemas de recomendação.

Os algoritmos de machine learning em sistemas de recomendação costumam ser classificados em duas categorias: com base em conteúdo e com base em filtragem colaborativa.

  • Filtro com base no conteúdo: usa a semelhança entre os itens para fornecer recomendações. Por exemplo, se um usuário assistir a dois vídeos de gatinhos fofos, o sistema de recomendação poderá recomendar mais vídeos de animais fofos.
  • Filtragem colaborativa: usa semelhanças entre usuários (com base nas consultas deles) para fornecer recomendações. Por exemplo, se o usuário A pesquisar coisas semelhantes ao usuário B e o usuário B marcar o vídeo 1 com "Gostei", o sistema de recomendação poderá recomendar o vídeo 1 ao usuário A, mesmo que o usuário A não tenha assistido nenhum vídeo semelhante ao vídeo 1.

Os modelos de fatoração de matrizes são amplamente usados como um método de filtragem colaborativa para sistemas de recomendação. É possível usar um modelo de fatoração de matrizes com a função ML.RECOMMEND para fazer recomendações. Para mais informações, consulte Fatoração de matrizes.

Para ampliar um sistema de recomendação baseado em filtragem colaborativa além do que é possível com um modelo de fatoração de matrizes, é possível usar modelos de rede neural profunda (DNN) e de amplitude e profundidade. Esses modelos podem incorporar recursos de consulta e item para melhorar a relevância das recomendações. Para saber mais, acesse os recursos a seguir: