Jak można zastosować algorytm Apple iTunes "Genius"?

Question

Zawsze zastanawiałem się, w jaki sposób i jaki jest najlepszy sposób wdrożenia funkcji "Genius" w iTunes.

Prawdopodobnie mógłbym to brutalnie zmusić, ale zastanawiałem się tylko, czy ktoś ma jakąkolwiek wiedzę.

Dzięki.

Answer 1

Algorytm Genius jest przykładem systemu rekomendacji, który jest gorącym tematem w systemach e-commerce. Tak bardzo, że Netflix otrzymał nagrodę w wysokości 1 miliona dolarów, która trwała przez kilka lat, aby ulepszyć swój system rekomendacji o zaledwie 10%.

W iTunes masz kolekcję muzyki. Geniusz może przyjąć założenia, że ​​jeśli masz tę muzykę, to musisz ją polubić. Jeśli wystarczająco dużo osób ma piosenkę B, która ma piosenkę A, wtedy Genius może powiedzieć, że jeśli masz piosenkę A, prawdopodobnie spodoba ci się piosenka B.

Po prostu piosenka byłaby dość słabą rekomendacją. Lepiej byłoby, gdyby użytkownik ocenił tę muzykę, dzięki czemu można poprawić siłę "zalecenia" na tej podstawie.

Polecam lekturę If You Liked This, You’re Sure to Love That jako dobrego podkładu w systemach rekomendacji.

Answer 2

Ważna uwaga: musisz mieć dane z części użytkowników. Nie możesz zrobić tego samemu przez brutalną siłę (chyba że masz na myśli tworzenie go całkowicie ręcznie).

Answer 3

Step1 - zbierać dane, dla wszystkich kliknięć/gry na użytkownika. To byłoby dużo danych.

Krok2 - utworzenie systemu generowania listy rankingowej/rekomendacji. Dla każdej piosenki generuj listę typu ranking/priorytet ze wszystkimi produktami/piosenkami, które ludzie oglądają/odtwarzają. Prosty przykład mówi, że żaden z ludzi nie ma takiej samej kombinacji lub ilości czasu odtwarzania, w którym odtwarzana jest każda piosenka.

Step3 - zachowaj limit (powiedz top10), aby wyświetlić rekomendacje z powyższej listy utworów.

To nie było takie trudne, sztuczka lub geniusz polega na dodawaniu ciężarów do listy, którą robisz w kroku 2. Jak twój system rekomendacji działa z wagami (dla ex-rank strony).

Mogłem zawieść inżynierów eksploracji danych, udzielając tak naiwnego/prostego wyjaśnienia niezwykle złożonemu środowisku informatycznemu. Odpuść mi. :)

Answer 4

Spójrz na to, term frequency–inverse document frequency, to metoda, która plasuje się zgodnie z tym, co lubisz, tym bardziej "wyjątkowy", tym bardziej efekt lubi ulubiony utwór na zalecenia.

Zasadniczo, jeśli tylko lubisz i grasz w U2, algorytm/program będzie trudno polecić coś specjalnego, co ci się podoba.

Z drugiej strony, jeśli jesteś bardziej zróżnicowany w swoim używaniu iTunes, te mniej znane zespoły, które naprawdę lubisz, będą ważone bardziej, ponieważ izolują cię bardziej od mas. ..