Dit artikel is gepubliceerd als onderdeel van het Data Science-blogathon.

Introductie

De wereldwijde markt voor het gebruik van Recommendation Engine werd in 2.69 gewaardeerd op 2021 miljard dollar. Verwacht wordt dat deze in 15.10 meer dan 2026 miljard dollar zal bedragen, met een CAGR van 37.79% in 2022-2026.

De aanbevelingen die bedrijven u geven, gebruiken soms technieken voor gegevensanalyse om items te identificeren die overeenkomen met uw smaak en voorkeuren. Met de snelgroeiende gegevens via internet is het geen verrassing dat Netflix weet welke film je hierna wilt zien of welk nieuwsartikel je graag op je Twitter zou willen lezen.

Met de recente ontwikkelingen op het gebied van kunstmatige intelligentie en de toenemende concurrentie tussen meerdere ondernemingen, is het essentieel om de relevante hoeveelheid gegevens te zoeken, in kaart te brengen en de gebruikers te voorzien om de consumentenervaring te verbeteren en de trend van digitalisering te vergroten.

Dat gezegd hebbende, bespreken we in de gids van vandaag aanbevelingsengines, hun belang, uitdagingen, werkingsprincipes, verschillende technieken, applicaties en topbedrijven die ze gebruiken, en tot slot, hoe u uw eigen aanbevelingsengine in Python kunt bouwen.

Inhoudsopgave

• Wat is aanbevelingsmotoren?
• Waarom zijn aanbevelingsengines belangrijk bij machine learning?
• Verschillende technieken van aanbevelingsmotoren
• Werking van aanbevelingsmotoren
• Uitdagingen van aanbevelingsmotoren
• Hoe een aanbevelingsengine te bouwen
• Toepassingen en topbedrijven die aanbevelingsengines gebruiken
• Conclusie

Wat is een aanbevelingsengine?

Een aanbevelingsengine is een gegevensfiltersysteem dat op verschillende machine learning-algoritmen werkt om producten, services en informatie aan gebruikers aan te bevelen op basis van gegevensanalyse. Het werkt volgens het principe van het vinden van patronen in gegevens over klantgedrag, waarbij gebruik wordt gemaakt van verschillende factoren, zoals klantvoorkeuren, transactiegeschiedenis in het verleden, attributen of situationele context.

De gegevens die worden gebruikt voor het vinden van inzichten kunnen impliciet of expliciet worden verzameld. Bedrijven gebruiken gewoonlijk petabytes aan gegevens voor hun aanbevelingsengines om hun mening te geven met hun ervaringen, gedrag, voorkeuren en interesses.

In deze steeds evoluerende markt van informatiedichtheid en productoverbelasting, gebruikt elk bedrijf aanbevelingsengines voor iets andere doeleinden. Toch hebben ze allemaal hetzelfde doel om meer verkopen te genereren, de betrokkenheid en het behoud van klanten te vergroten en consumenten een stukje gepersonaliseerde kennis en oplossingen te bieden.

Waarom zijn aanbevelingsengines belangrijk in ML?

Het lijdt geen twijfel dat aanbevelingsengines een buitengewone manier zijn om de gebruikerservaring te verbeteren, de vraag te stimuleren, de omzet te verhogen, de klikfrequenties (CTR's) te verhogen, gebruikers actief te betrekken en andere cruciale statistieken. Als krachtige tools voor gegevensfiltering werken aanbevelingsengines in realtime. Ze kunnen nuttig zijn wanneer er vraag is om gebruikers gepersonaliseerde suggesties en advies te geven.

Laten we Netflix als voorbeeld nemen.

Er zijn duizenden films en meerdere categorieën shows om naar te kijken. Toch biedt Netflix je een veel eigenzinnigere selectie van filmadvertentieprogramma's waar je waarschijnlijk van zult genieten. Met deze strategie behaalt Netflix lagere annuleringspercentages, bespaart het een miljard dollar per jaar, bespaart u tijd en levert het een betere gebruikerservaring op.

Dit is de reden waarom aanbevelingsmotoren essentieel zijn en precies hoeveel bedrijven de betrokkenheidskansen met hun producten vergroten door een grotere toestroom van cross-sellingmogelijkheden te bieden.

Verschillende technieken van aanbevelingsmotoren

Er zijn drie verschillende soorten aanbevelingsengines bekend in machine learning, en dat zijn:

1. Samenwerkingsfiltering

De collaboratieve filtermethode verzamelt en analyseert gegevens over gebruikersgedrag, online activiteiten en voorkeuren om te voorspellen wat ze leuk zullen vinden op basis van de gelijkenis met andere gebruikers. Het gebruikt een formule in matrixstijl om deze overeenkomsten te plotten en te berekenen.

Voordeel

Een belangrijk voordeel van collaboratief filteren is dat het niet nodig is om het object (producten, films, boeken) te analyseren of te begrijpen om complexe items precies aan te bevelen. Er is geen afhankelijkheid van analyseerbare machine-inhoud, wat betekent dat het aanbevelingen kiest op basis van wat het weet over de gebruiker.

Voorbeeld

Als gebruiker X van Boek A, Boek B en Boek C houdt, terwijl gebruiker Y van Boek A, Boek B en Boek D houdt, hebben ze dezelfde interesses. Het is dus goed mogelijk dat gebruiker X Boek D kiest en gebruiker Y Bood C graag leest. Dit is hoe collaboratief filteren gebeurt.

2. Op inhoud gebaseerde filtering

Op inhoud gebaseerde filtering werkt volgens het principe van het beschrijven van een product en een profiel van de gewenste keuzes van de gebruiker. Het gaat ervan uit dat je dit andere item ook leuk zult vinden als je een bepaald item leuk vindt. Producten worden gedefinieerd met behulp van trefwoorden (genre, producttype, kleur, woordlengte) om aanbevelingen te doen. Er wordt een gebruikersprofiel gemaakt om het soort item te beschrijven dat deze gebruiker leuk vindt. Vervolgens evalueert het algoritme de overeenkomst van items met behulp van cosinus- en Euclidische afstanden.

Voordeel

Een belangrijk voordeel van deze techniek van de aanbevelingsengine is dat er geen aanvullende gegevens over andere gebruikers nodig zijn, aangezien de aanbevelingen specifiek voor deze gebruiker zijn. Dit model kan ook de specifieke interesses van een gebruiker vastleggen en niche-objecten suggereren waarin maar heel weinig andere gebruikers geïnteresseerd zijn.

Voorbeeld

Stel dat een gebruiker X graag naar actiefilms zoals Spider-man kijkt. In dat geval beveelt deze aanbevelingsengine-techniek alleen films aan van het actiegenre of films die Tom Holland beschrijven.

3. Hybride model

In hybride aanbevelingssystemen worden zowel de meta (collaboratieve) data als de transactionele (content-based) data gelijktijdig gebruikt om een ​​breder scala aan items aan de gebruikers voor te stellen. Bij deze techniek kunnen tags voor natuurlijke taalverwerking worden toegewezen aan elk object (film, nummer) en vectorvergelijkingen berekenen de overeenkomst. Een collaboratieve filtermatrix kan vervolgens dingen voorstellen aan gebruikers, afhankelijk van hun gedrag, acties en bedoelingen.

voordelen

Dit aanbevelingssysteem is in opkomst en zou qua nauwkeurigheid beter presteren dan beide bovenstaande methoden.

Voorbeeld

Netflix gebruikt een hybride aanbevelingsengine. Het doet aanbevelingen door de interesses van de gebruiker te analyseren (samenwerkend) en dergelijke shows/films aan te bevelen die dezelfde kenmerken hebben als die welke hoog gewaardeerd worden door de gebruiker (gebaseerd op inhoud).

Werking van aanbevelingsmotoren

Gegevens zijn het meest essentiële element bij het bouwen van een aanbevelingsengine. Het is de bouwsteen waaruit patronen worden afgeleid door algoritmen. Hoe meer details het heeft, hoe nauwkeuriger en praktischer het passende inkomstengenererende aanbevelingen zal opleveren. Kortom, een aanbevelingsengine werkt met behulp van een combinatie van gegevens en algoritmen voor machine learning in vier fasen. Laten we ze nu in detail begrijpen:

1. Gegevensverzameling

De eerste en meest cruciale stap voor het maken van een aanbevelingsengine is het verzamelen van de juiste gegevens voor elke gebruiker. Er zijn twee soorten gegevens, namelijk Uitdrukkelijk gegevens die informatie bevatten die is verzameld van gebruikersinvoer zoals beoordelingen, recensies, vind-ik-leuks, afkeuren of opmerkingen over producten.

Daarentegen hebben we Impliciet gegevens die informatie bevatten die is verzameld uit gebruikersactiviteiten zoals: zoekgeschiedenis op het web, klikken, winkelwagenacties, zoeklogboek en bestelgeschiedenis.

Het gegevensprofiel van elke gebruiker zal in de loop van de tijd onderscheidend worden; daarom is het ook cruciaal om klantattribuutgegevens te verzamelen, zoals:

• demografie (leeftijd, geslacht)
• Psychografische gegevens (interesses, waarden) om vergelijkbare klanten te identificeren
• feature data (genre, objecttype) om gelijkaardige producten gelijkenis te bepalen.

2. Gegevensopslag

Nadat u de gegevens hebt verzameld, is de volgende stap het efficiënt opslaan van de gegevens. Naarmate u meer gegevens verzamelt, moet er voldoende, schaalbare opslag beschikbaar zijn. Er zijn verschillende opslagopties beschikbaar, afhankelijk van het type gegevens dat u verzamelt, zoals NoSQL, een standaard SQL-database, MongoDB en AWS.

Bij het kiezen van de beste opslagopties moet men rekening houden met enkele factoren: implementatiegemak, gegevensopslaggrootte, integratie en draagbaarheid.

3. Analyseer de gegevens

Na het verzamelen van de gegevens, moet u de gegevens analyseren. De gegevens moeten vervolgens worden geboord en geanalyseerd om onmiddellijke aanbevelingen te doen. De meest voorkomende methoden om gegevens te analyseren zijn:

• Realtime analyse, waarin het systeem tools gebruikt die gebeurtenissen evalueert en analyseert terwijl ze worden gecreëerd. Deze techniek wordt voornamelijk toegepast wanneer we directe aanbevelingen willen doen.
• Batch-analyse, waarin het verwerken en analyseren van gegevens periodiek plaatsvindt. Deze techniek wordt voornamelijk toegepast wanneer we e-mails met aanbevelingen willen verzenden.
• Bijna realtime analyse, waarin u gegevens in minuten in plaats van seconden analyseert en verwerkt, omdat u deze niet meteen nodig heeft. Deze techniek wordt voornamelijk geïmplementeerd wanneer we aanbevelingen doen terwijl de gebruiker nog op de site is.

4. De gegevens filteren

Nadat u de gegevens hebt geanalyseerd, is de laatste stap het nauwkeurig filteren van de gegevens om waardevolle aanbevelingen te doen. Verschillende matrices, wiskundige regels en formules worden op de gegevens toegepast om de juiste suggestie te geven. U moet het juiste algoritme kiezen en het resultaat van deze filtering zijn de aanbevelingen.

Uitdagingen van aanbevelingsengines

Perfectie bestaat gewoon niet. Een Engelse theoretische fysicus "Stephen Hawking", zei ooit:

"Een van de basisregels van het universum is dat niets perfect is."

Evenzo zijn er enkele uitdagingen die bedrijven moeten overwinnen om een ​​effectief aanbevelingssysteem op te bouwen. Hier zijn er een paar:

1. Het KOUDE START-probleem

Dit probleem doet zich voor wanneer een nieuwe gebruiker zich bij het systeem voegt of nieuwe items aan het record toevoegt. Het aanbevelingssysteem kan dit nieuwe item of deze nieuwe gebruiker in eerste instantie niet voorstellen omdat het geen beoordeling of recensies heeft. Daarom wordt het een uitdaging voor de engine om de voorkeur of prioriteiten van de nieuwe gebruiker of de beoordeling van de nieuwe items te voorspellen, wat leidt tot minder nauwkeurige aanbevelingen.

Een nieuwe film op Netflix kan bijvoorbeeld pas worden aanbevolen als deze een aantal views en beoordelingen krijgt.

Een op deep learning gebaseerd model kan het koudestartprobleem echter oplossen, omdat deze modellen niet sterk afhankelijk zijn van gebruikersgedrag om voorspellingen te doen. Het kan de correlaties tussen de gebruiker en het artikel optimaliseren door de productcontext en gebruikersdetails zoals productbeschrijvingen, afbeeldingen en gebruikersgedrag te onderzoeken.

2. Probleem met gegevenssparsiteit

Zoals we allemaal weten, zijn aanbevelingsmotoren enorm afhankelijk van de gegevens. In enkele situaties geven sommige gebruikers geen beoordelingen of recensies over de items die ze hebben gekocht. Als we geen gegevens van hoge kwaliteit hebben, wordt het beoordelingsmodel erg schaars, wat leidt tot problemen met gegevenssparsiteit.

Dit probleem maakt het een uitdaging voor het algoritme om gebruikers met vergelijkbare beoordelingen of interesses te vinden.

Stel uzelf vier vragen om gegevens van de beste kwaliteit te garanderen en het beste uit de aanbevelingsengine te halen:

• Hoe recent zijn de gegevens?
• Hoe luidruchtig is de informatie?
• Hoe divers is de informatie?
• Hoe snel kunt u nieuwe gegevens invoeren in uw aanbevelingssysteemmodel?

De bovenstaande vragen zorgen ervoor dat uw bedrijf voldoet aan de complexe vereisten voor gegevensanalyse.

3. Wijzigen van gebruikersvoorkeuren Probleem

Interacties tussen gebruikers en items in beoordelingen en recensies kunnen enorme veranderende gegevens genereren.

Ik ben bijvoorbeeld vandaag op Netflix om een ​​romantische film te kijken met mijn vriendin. Maar morgen heb ik misschien een andere stemming, en een klassieke psychologische thriller is wat ik zou willen zien.

Als het gaat om gebruikersvoorkeuren, kunnen aanbevelingsengines gebruikers ten onrechte labelen, waardoor de resultaten van grote datasets inefficiënt worden geïnterpreteerd. Daarom is schaalbaarheid een grote uitdaging voor deze datasets, en er zijn enkele geavanceerde grootschalige methoden nodig om dit probleem aan te pakken.

Hoe bouw je een aanbevelingsengine in Python?

Deze gidssectie helpt je bij het bouwen van basisaanbevelingssystemen in Python. We zullen ons concentreren op het bouwen van een basisaanbevelingssysteem door items aan te bevelen die het meest vergelijkbaar zijn met een specifiek item, in ons geval films. Houd er rekening mee dat dit geen exacte, robuuste aanbevelingsengine is. Het suggereert alleen welke films/items het meest lijken op uw filmvoorkeur.

U vindt de code- en gegevensbestanden aan het einde van dit gedeelte. Dus laten we beginnen:

Opmerking: Het wordt ten zeerste aanbevolen om op Google Collab of Jupyter Notebook te werken om deze code uit te voeren.

#1. Importeer de benodigde bibliotheken.

Importeer numpy en panda's machine learning-bibliotheken, aangezien we ze zullen gebruiken voor dataframes en het evalueren van correlaties.

Code

numpy importeren als np
importeer panda's als pd

#2. Verkrijg de gegevens

Definieer de kolomnamen, lees het csv-bestand voor de films en recensies dataset en print de eerste 5 rijen.

Code

column_names = ['user_id', 'item_id', 'rating', 'timestamp']
df = pd.read_csv('u.data', sep='t', names=column_names)
df.head ()

uitgang

Zoals je hierboven kunt zien, hebben we vier kolommen: gebruikers-ID, die uniek is voor elke gebruiker. Item-ID is uniek voor elke film, beoordelingen van de film en hun tijdstempel.

Laten we nu de filmtitels pakken:

Code

movie_titles = pd.read_csv("Movie_Id_Titles")
filmtitels.head()

uitgang

Lees de gegevens met behulp van de bibliotheek van de panda's en print de bovenste 5 rijen uit de dataset. We hebben de id en titel van elke film.

We kunnen nu de twee kolommen samenvoegen:

Code

df = pd.merge(df,movie_titles,on='item_id')
df.head ()

uitgang

We hebben nu het gecombineerde dataframe, dat we hierna gaan gebruiken voor Exploratory Data Analysis (EDA).

#3. Verkennende gegevensanalyse

Laten we de gegevens een beetje bekijken en een kijkje nemen in enkele van de best beoordeelde films.

Het importeren van visualisaties is onze eerste stap in EDA.

Code

matplotlib.pyplot importeren als plt
importeer seaborn als sns
sns.set_style('wit')
% matplotlib inline

Vervolgens zullen we een beoordelingsdataframe maken met de gemiddelde beoordeling en het aantal beoordelingen als onze twee kolommen:

Code

df.groupby('title')['rating'].mean().sort_values(ascending=False).head()

uitgang

Code

df.groupby('title')['rating'].count().sort_values(ascending=False).head()

uitgang

Code

beoordelingen = pd.DataFrame(df.groupby('title')['rating'].mean())
beoordelingen.head()

uitgang

Stel vervolgens het aantal beoordelingskolommen in naast de gemiddelde beoordelingen:

Code

beoordelingen['aantal beoordelingen'] = pd.DataFrame(df.groupby('title')['rating'].count())
beoordelingen.head()

uitgang

Plot een paar histogrammen om verschillende beoordelingen visueel te controleren:

Code

plt.figuur(figsize=(10,4))
beoordelingen['aantal beoordelingen'].hist(bins=70)

uitgang

Code

plt.figuur(figsize=(10,4))
beoordelingen['rating'].hist(bins=70)

uitgang

Code

sns.jointplot(x='rating',y='num of ratings',data=ratings,alpha=0.5)

uitgang

Oke! Nu we een uitgebreid beeld hebben van hoe de gegevens eruit zien, gaan we verder met het bouwen van een eenvoudig aanbevelingssysteem in Python:

#4. Soortgelijke films aanbevelen

Laten we nu een matrix maken met de gebruikers-ID's en de filmtitel. Elke cel zal dan bestaan ​​uit de beoordeling van de gebruiker van die film.

Opmerking: Er zullen er veel zijn NaN waarden omdat de meeste mensen het grootste deel van de film niet hebben gezien.

Code

moviemat = df.pivot_table(index='user_id',columns='title',values='rating')
filmmat.head()

uitgang

Print de meest gewaardeerde films:

Code

ratings.sort_values('aantal beoordelingen',ascending=False).head(10)

uitgang

Laten we twee films kiezen: Star Wars, een sciencefictionfilm. En de andere is Liar Liar, een komedie. De volgende stap is om de gebruikersbeoordelingen voor die twee films te krijgen:

Code

starwars_user_ratings = filmmat ['Star Wars (1977)']
liarliar_user_ratings = filmmat ['Liar Liar (1997)']
starwars_user_ratings.head()

uitgang

We kunnen dan de methode corrwith() gebruiken om correlaties te krijgen tussen twee panda-reeksen:

Code

vergelijkbaar_met_starwars = moviemat.corrwith(starwars_user_ratings)
vergelijkbaar_met_liarliar = moviemat.corrwith(liarliar_user_ratings)

uitgang

Er zijn nog steeds veel null-waarden die kunnen worden opgeschoond door NaN-waarden te verwijderen. We gebruiken dus een DataFrame in plaats van een reeks:

Code

corr_starwars = pd.DataFrame(similar_to_starwars,columns=['Correlatie'])
corr_starwars.dropna(inplace=Waar)
corr_starwars.head()

uitgang

Stel nu dat we het dataframe sorteren op correlatie. In dat geval zouden we de meest vergelijkbare films moeten krijgen, maar houd er rekening mee dat we een paar films krijgen die niet echt logisch zijn.

Dit komt omdat er veel films zijn die maar één keer zijn bekeken door gebruikers die ook star wars hebben bekeken.

Code

corr_starwars.sort_values('Correlation',ascending=False).head(10)

uitgang

We kunnen dit oplossen door films met minder dan 100 beoordelingen eruit te filteren. We kunnen deze waarde bepalen op basis van het histogram dat we eerder in de EDA-sectie hebben uitgezet.

Code

corr_starwars = corr_starwars.join(beoordelingen ['aantal beoordelingen'])
corr_starwars.head()

uitgang

Sorteer nu de waarden en zie hoe de titels veel meer begrip geven:

Code

corr_starwars[corr_starwars['aantal beoordelingen']>100].sort_values('Correlation',ascending=False).head()

uitgang

Nu dezelfde opbrengst voor de komedie Liar Liar-film:

Code

corr_liarliar = pd.DataFrame(similar_to_liarliar,columns=['Correlatie'])
corr_liarliar.dropna(inplace=Waar)
corr_liarliar = corr_liarliar.join(beoordelingen ['aantal beoordelingen'])
corr_liarliar[corr_liarliar['aantal beoordelingen']>100].sort_values('Correlation',ascending=False).head()

uitgang

Goed gedaan, je hebt je eigen filmaanbevelingsmotor gemaakt.

Opmerking: open hier het Google-notitieblok.

Toepassingen en topbedrijven die aanbevelingsengines gebruiken

Veel industrieën gebruiken aanbevelingsengines om de interactie met gebruikers te stimuleren en de winkelvooruitzichten te vergroten. Zoals we allemaal hebben gezien, kunnen aanbevelingsmotoren de manier waarop bedrijven met gebruikers communiceren veranderen en hun rendement op investering (ROI) maximaliseren op basis van de informatie die ze kunnen verzamelen.

We zullen zien hoe bijna elk bedrijf een aanbevelingsmotor gebruikt om kans te maken op winst.

1. E-Commerce

E-commerce is een industrie waar aanbevelingsmotoren voor het eerst op grote schaal werden gebruikt. E-commercebedrijven zijn het meest geschikt om nauwkeurige aanbevelingen te doen aan miljoenen klanten en gegevens in hun online database.

2. Kleinhandel

Winkelgegevens zijn de meest waardevolle informatie voor een machine learning-algoritme. Het is het meest nauwkeurige gegevenspunt op de bedoeling van een gebruiker. Retailers met een schat aan winkelgegevens lopen voorop bij het genereren van concrete aanbevelingen voor hun klanten.

3. Media

Net als e-commerce zijn mediabedrijven de eersten die op de technieken van de aanbevelingsengines springen. Het is moeilijk om een ​​nieuwssite op te merken zonder een aanbevelingsengine in het spel.

4. bank

Bankieren is een massamarktindustrie die door miljoenen mensen digitaal wordt gebruikt en die bij uitstek geschikt is voor aanbevelingen. Inzicht in de exacte financiële situatie van een klant en keuzes uit het verleden, gecorreleerd met gegevens van duizenden vergelijkbare gebruikers, is vrij bepalend.

5. Telecommunicatie

Deze sector deelt een vergelijkbare dynamiek met de banksector. Telco's hebben de referenties van miljoenen klanten van wie elke actie is gedocumenteerd. Hun productassortiment is ook matig smal in vergelijking met andere sectoren, waardoor aanbevelingen in telecom een ​​beter beheersbare oplossing zijn.

6. Hulpprogramma's

Vergelijkbare dynamiek met telecom, maar nutsbedrijven hebben een nog beperkter productaanbod, waardoor aanbevelingen relatief eenvoudig te gebruiken zijn.

Topbedrijven die aanbevelingsengines gebruiken, zijn onder meer:

• Amazone                    
• Netflix
• Spotify
• LinkedIn
• YouTube
• TikTok    
• Instagram
• Facebook
• Tinder
• Quora
• Kopen Google Reviews
• Yahoo        

Conclusie

Aanbevelingsengines zijn een krachtige marketingtool die u helpt bij het verbeteren van up-selling, cross-selling en het stimuleren van uw bedrijf. Er gebeurt veel op het gebied van aanbevelingsmotoren. Elk bedrijf moet op de hoogte blijven van de technologie om al zijn gebruikers de best mogelijke tevredenheidsreeks te bieden.

Hier komen we aan het einde van deze gids. Ik hoop dat alle onderwerpen en uitleg nuttig genoeg zijn om u te helpen bij het starten van uw reis in de aanbevelingsengines in machine learning.

Lees meer artikelen op onze blog over Aanbevelingsmotoren. 

Als je nog steeds twijfelt, neem dan contact met me op via mijn sociale-mediaprofielen, en ik help je graag verder. Hieronder kun je meer over mij lezen:

Ik ben een datawetenschapper met een bachelor in computerwetenschappen, gespecialiseerd in machine learning, kunstmatige intelligentie en computervisie. Mrinal is ook een freelance blogger, auteur en nerd met vijf jaar ervaring in zijn werk. Met een achtergrond in de meeste gebieden van de informatica, volg ik momenteel een Master in Applied Computing met een specialisatie in AI van de University of Windsor, en ik ben een freelance contentschrijver en contentanalist.

Lees meer over aanbevolen motoren door Mrinal Walia:

1. Top 5 open source machine learning-aanbevelingssysteemprojecten met bronnen

2. Open-source deep learning-projecten die u moet proberen voor studenten informatica

De in dit artikel getoonde media zijn geen eigendom van Analytics Vidhya en worden naar goeddunken van de auteur gebruikt. 

Verwant

Bron: https://www.analyticsvidhya.com/blog/2022/01/a-comprehensive-guide-on-recommendation-engines-in-2022/