Systèmes de recommandation peut être le type de modèle prédictif le plus courant que la personne moyenne peut rencontrer.

Ils fournissent la base de recommandations sur des services tels qu’Amazon, Spotify et Youtube.

Les systèmes de recommandation sont un énorme sujet intimidant si vous ne faites que commencer. Il existe une myriade de techniques de préparation de données, d’algorithmes et de méthodes d’évaluation de modèles.

Toutes les techniques ne seront pas pertinentes, et en fait, l’état de l’art peut être ignoré pour le moment car vous obtiendrez probablement de très bons résultats en vous concentrant sur les fondamentaux, par exemple, traitez-le comme un simple problème de classification ou de régression .

Il est important de connaître les bases et de tout organiser pour vous de manière systématique. Pour cela, je recommande de parcourir ou de lire les livres et articles standard sur le sujet et de consulter certaines des bibliothèques populaires.

Dans ce didacticiel, vous découvrirez des ressources que vous pouvez utiliser pour démarrer avec les systèmes de recommandation.

Après avoir terminé ce tutoriel, vous saurez:

• Les meilleurs articles de revue sur les systèmes de recommandation que vous pouvez utiliser pour comprendre rapidement l’état du domaine.
• Les meilleurs livres sur les systèmes de recommandation à partir desquels vous pouvez apprendre les algorithmes et les techniques nécessaires lors du développement et de l’évaluation des systèmes de recommandation.
• Les meilleures bibliothèques et API Python que vous pouvez utiliser pour prototyper et développer vos propres systèmes de recommandation.

Commençons.

Présentation du didacticiel

Ce tutoriel est divisé en trois parties; elles sont:

1. Documents sur les systèmes de recommandation
2. Livres sur les systèmes de recommandation
3. Bibliothèques de systèmes de recommandation

Documents sur les systèmes de recommandation

Les documents de recherche sur les systèmes de recommandation peuvent vous aider à vous familiariser très rapidement avec l’état du terrain.

Plus précisément, examinez les articles qui utilisent un langage précis pour définir ce qu’est un système de recommandation, les algorithmes qui peuvent être utilisés, les ensembles de données et les métriques standard pour comparer les algorithmes et des conseils sur les techniques de pointe.

En parcourant ou en lisant une poignée d’articles de synthèse sur les systèmes de recommandation, vous pouvez rapidement développer une base à partir de laquelle vous plonger plus profondément et commencer à développer vos propres systèmes.

Le domaine ne change pas si vite et les techniques d’il y a 10 ou 20 ans vous donneront de solides résultats.

Les articles de revue sur les systèmes de recommandation que j’ai recommandés pour établir une compréhension fondamentale comprennent:

Une fois que vous avez des questions sur des techniques spécifiques, vous pouvez ensuite trouver des articles qui se concentrent sur ces techniques et approfondir.

Vous pouvez rechercher des articles sur des techniques spécifiques ici:

Connaissez-vous d’autres bons articles de synthèse sur les systèmes de recommandation?
Faites-moi savoir dans les commentaires ci-dessous.

Livres sur les systèmes de recommandation

Les livres sur les systèmes de recommandation offrent l’espace nécessaire pour exposer le terrain et vous faire découvrir les techniques et vous donner les détails dont vous avez besoin pour les comprendre, avec plus d’ampleur et de détails qu’un article de synthèse beaucoup plus court.

Encore une fois, étant donné que le domaine est assez mature, les livres plus anciens, comme ceux publiés il y a dix ans, ne doivent pas être immédiatement négligés.

Certains des meilleurs manuels publiés par des chercheurs clés dans le domaine sont les suivants:

Je possède une copie papier de «Recommender Systems: An Introduction» et je ne saurais trop le recommander.

Ce livre offre un aperçu des approches de développement de systèmes de recommandation de pointe. Les auteurs présentent les approches algorithmiques actuelles pour générer des propositions d’achat personnalisées, telles que le filtrage collaboratif et basé sur le contenu, ainsi que des approches plus interactives et basées sur les connaissances. Ils discutent également de la façon de mesurer l’efficacité des systèmes de recommandation et illustrent les méthodes par des études de cas pratiques.

– Systèmes de recommandation: une introduction, 2010.

La table des matières de ce livre est la suivante:

• Chapitre 1 Introduction
• Chapitre 2: Recommandation collaborative
• Chapitre 3: Recommandation basée sur le contenu
• Chapitre 4: Recommandation basée sur les connaissances
• Chapitre 5: Approches de recommandation hybrides
• Chapitre 6: Explications dans les systèmes de recommandation
• Chapitre 7: Évaluation des systèmes de recommandation
• Chapitre 8: Étude de cas: recommandations de jeux personnalisées sur Internet mobile
• Chapitre 9: Attaques contre les systèmes de recommandation collaboratifs
• Chapitre 10: Prise de décision des consommateurs en ligne
• Chapitre 11: Les systèmes de recommandation et le Web de nouvelle génération
• Chapitre 12: Recommandations dans des environnements omniprésents
• Chapitre 13: Résumé et perspectives

Il peut être bon d’obtenir un manuel sur le sujet avec des chapitres écrits par différents universitaires résumant ou défendant leurs techniques et méthodes préférées.

Je recommande ce manuel:

Si vous recherchez un livre plus pratique, je vous recommande:

Avez-vous lu l’un de ces livres? Ou connaissez-vous un autre excellent livre sur le sujet?
Faites-moi savoir dans les commentaires ci-dessous.

Bibliothèques de systèmes de recommandation

Vous n’avez probablement pas besoin de plonger dans le début de l’art, du moins pas immédiatement.

En tant que telles, les bibliothèques d’apprentissage automatique standard sont un excellent point de départ.

Par exemple, vous pouvez développer un système de recommandation efficace en utilisant des méthodes de factorisation matricielle (SVD) ou même un modèle simple à k-plus proches voisins par éléments ou par utilisateurs.

En tant que tel, je recommande de commencer par quelques expériences avec scikit-learn:

Vous pouvez vous entraîner sur des ensembles de données système de recommandation standard si vos propres données ne sont pas encore accessibles ou disponibles, ou si vous souhaitez simplement vous familiariser d’abord avec les choses.

Les ensembles de données standard populaires pour les systèmes de recommandation comprennent:

Si vous êtes prêt pour des techniques de pointe, un bon point de départ est “papiers avec code»Qui répertorie à la fois les articles universitaires et les liens vers le code source des méthodes décrites dans l’article:

Il existe un certain nombre de bibliothèques et de services propriétaires et open source pour les systèmes de recommandation.

Je recommande de m’en tenir aux bibliothèques Python open source au début, telles que:

Avez-vous utilisé l’une de ces bibliothèques pour développer un système de recommandation?
Faites-moi savoir dans les commentaires ci-dessous.

Sommaire

Dans ce didacticiel, vous avez découvert des ressources que vous pouvez utiliser pour démarrer avec les systèmes de recommandation.

Plus précisément, vous avez appris:

• Les meilleurs articles de revue sur les systèmes de recommandation que vous pouvez utiliser pour comprendre rapidement l’état du domaine.
• Les meilleurs livres sur les systèmes de recommandation à partir desquels vous pouvez apprendre les algorithmes et les techniques nécessaires lors du développement et de l’évaluation des systèmes de recommandation.
• Les meilleures bibliothèques et API Python que vous pouvez utiliser pour prototyper et développer vos propres systèmes de recommandation.

Avez-vous des questions?
Posez vos questions dans les commentaires ci-dessous et je ferai de mon mieux pour y répondre.