#movielens — Public Fediverse posts

Как я строю рекомендательную модель фильмов: cold start, вектор вкуса и GPT

Выбрать фильм на вечер сложно даже для одного человека. А если фильм нужно выбрать для пары, где вкусы просто разные, задача становится ещё менее предсказуемой. Обычные подборки, жанровые фильтры и списки “что посмотреть вечером” помогают только до определённого момента. Они работают как витрина, но плохо работают как персональная рекомендация, потому что почти не учитывают зрительский опыт, индивидуальные предпочтения и то, какие фильмы человек вообще уже видел. Именно с этой задачи я и подошёл к своему проекту NextFilm: не как к каталогу фильмов, а как к рекомендательной системе. Основной вопрос звучал так: как выдать полезную рекомендацию новому пользователю, если на старте о нём почти ничего не известно. По сути, в моём контексте это и есть cold start. Не абстрактная проблема “мало данных”, а вполне прикладная ситуация: пользователь уже хочет получить рекомендацию, а система пока не знает, что он смотрел, насколько у него большая зрительская база и какие паттерны вкуса у него вообще есть.

https://habr.com/ru/articles/1029318/

#рекомендательные_системы #cold_start #collaborative_filtering #MovieLens #machine_learning #машинное_обучение #GPT #персонализация #movie_recommendations

Как я строю рекомендательную модель фильмов: cold start, вектор вкуса и GPT

Выбрать фильм на вечер сложно даже для одного человека. А если фильм нужно выбрать для пары, где вкусы просто разные, задача становится ещё менее предсказуемой. Обычные подборки, жанровые фильтры и списки “что посмотреть вечером” помогают только до определённого момента. Они работают как витрина, но плохо работают как персональная рекомендация, потому что почти не учитывают зрительский опыт, индивидуальные предпочтения и то, какие фильмы человек вообще уже видел. Именно с этой задачи я и подошёл к своему проекту NextFilm: не как к каталогу фильмов, а как к рекомендательной системе. Основной вопрос звучал так: как выдать полезную рекомендацию новому пользователю, если на старте о нём почти ничего не известно. По сути, в моём контексте это и есть cold start. Не абстрактная проблема “мало данных”, а вполне прикладная ситуация: пользователь уже хочет получить рекомендацию, а система пока не знает, что он смотрел, насколько у него большая зрительская база и какие паттерны вкуса у него вообще есть.

https://habr.com/ru/articles/1029318/

#рекомендательные_системы #cold_start #collaborative_filtering #MovieLens #machine_learning #машинное_обучение #GPT #персонализация #movie_recommendations

Как я строю рекомендательную модель фильмов: cold start, вектор вкуса и GPT

Выбрать фильм на вечер сложно даже для одного человека. А если фильм нужно выбрать для пары, где вкусы просто разные, задача становится ещё менее предсказуемой. Обычные подборки, жанровые фильтры и списки “что посмотреть вечером” помогают только до определённого момента. Они работают как витрина, но плохо работают как персональная рекомендация, потому что почти не учитывают зрительский опыт, индивидуальные предпочтения и то, какие фильмы человек вообще уже видел. Именно с этой задачи я и подошёл к своему проекту NextFilm: не как к каталогу фильмов, а как к рекомендательной системе. Основной вопрос звучал так: как выдать полезную рекомендацию новому пользователю, если на старте о нём почти ничего не известно. По сути, в моём контексте это и есть cold start. Не абстрактная проблема “мало данных”, а вполне прикладная ситуация: пользователь уже хочет получить рекомендацию, а система пока не знает, что он смотрел, насколько у него большая зрительская база и какие паттерны вкуса у него вообще есть.

https://habr.com/ru/articles/1029318/

#рекомендательные_системы #cold_start #collaborative_filtering #MovieLens #machine_learning #машинное_обучение #GPT #персонализация #movie_recommendations