Из официальной документации из Abracadabra Recommender API , вы начинаете с того, что различаете:
Предметы : Это объекты, которые вы хотите рекомендовать пользователю. Фильм или статья, например, предмет. Субъекты характеризуются тем, что они имеют определенные атрибуты или содержание, которые различают их между различными субъектами.
Атрибуты : Атрибут является общим термином для характеристики субъекта. Это может быть что угодно, и это действительно зависит от того, как вы определяете предмет. В примере, где субъектом является фильм, атрибут может быть жанром, например приключения, боевик, фантастика. Атрибутом может быть также ключевое слово, которое присутствует в описании этого фильма, имя актера, год публикации фильма и т. Д. Вы называете это!
Пользователи : Как видно из названия, именно этот человек желает получить рекомендации по определенным предметам. Пользователь создает профиль пользователя, предпочитая атрибуты или темы (и впоследствии прикрепленные атрибуты).
Поток
Существует общий поток (порядок, в котором все делается), который важен для любого типа системы рекомендаций и который также интуитивно понятен.
Первое, что нам всегда нужно сделать, это заполнить механизм рекомендации субъектами и их соответствующими атрибутами. Обычно это нужно сделать только один раз, но это также можно сделать динамически. Например, если вы рекомендуете статьи, возможно, вы захотите делать это каждый раз, когда статья добавляется на ваш сайт или блог.
Второй шаг - ввод параметров пользователя. Вместе с уникальным идентификатором вашего пользователя вы можете обучать рекомендательную систему, любя или не любя определенные предметы или атрибуты. Например, пользователю может быть показан список фильмов, и ему / ей предоставляется возможность дать оценку каждому фильму. В качестве альтернативы пользователь может создать профиль, указав, какие атрибуты он предпочитает (например, какие жанры, ключевые слова, дату выпуска и т. Д.). Эта часть действительно зависит от вас, чтобы решить и логика вашего проекта.
Как только система будет обучена (заполнена предметами и предпочтениями пользователя), мы можем позвонить в механизм и предоставить нам рекомендации. Вы можете сделать это один раз, но также и динамически (таким образом, переподготовка модели после каждого отзыва, полученного от пользователя). Поскольку пользователь предоставляет больше отзывов, модель становится лучше, а рекомендации приближаются к реальным предпочтениям пользователя.
Обратите внимание, что с Abracadabra Recommender API вам нужно только отправлять HTTP-вызовы в API для обучения вашей модели и получения рекомендаций. Доступ к API можно получить с помощью любого языка, например, с вашего веб-сайта или приложения (Angular, React, Javascript ...) или с вашего сервера (NodeJS, Curl, Java, Python, Objective-C, Ruby, .NET ...). .