Я разрабатываю алгоритм рекомендации.В основном, у меня есть список из N продуктов, описанных функциями P.Когда кто-то запускает алгоритм, ему нужно ввести некоторую информацию о нем (вопросы о предпочтениях), которая позволила бы найти лучший продукт для него.
Моя идея состоит в том, чтобы эмпирически построить матрицу продуктов *, оценивающую характеристики каждой функции длякаждый продукт, затем с учетом пользовательских данных (предпочтений) я вычислю скалярный продукт для каждого продукта (между вектором его предпочтений и вектором характеристик продукта), и наилучшим подходящим продуктом будет тот, который дает самый высокий скалярный продукт.Однако, как вы можете видеть, этот метод очень эмпирический и субъективный, основанный на том, как я строю свою матрицу N * P, и даже на том, как я форматирую рейтинги и пользовательские данные.Поэтому я хотел бы знать, насколько это влияет на результаты, и если да, то как действовать, чтобы установить эти данные более уместно и разумно.Я знаю о совместной работе или фильтрации контента, но это не применимо, так как нет сообщества пользователей или истории покупок, поэтому я подумал, что смогу смоделировать множество пользовательских входов и скорректировать данные, но как?Я открыт для любой идеи или материала для чтения!