ДалееСледующее руководство
Как работает алгоритм рекомендаций YouTube
Компании
РУКОВОДСТВО ПО КОМПАНИЯМ
«Amazon item-to-item collaborative filtering» — название исследовательской работы Amazon 2003 года, описывающей рекомендации, основанные на взаимосвязях между элементами, а не на поиске пользователей, похожих на клиента.
Прослушайте это руководствоОзвучено ИИ · ~3 min
Это историческое публичное раскрытие архитектуры; его не следует рассматривать как полное описание текущих проприетарных рекомендательных систем Amazon.
Linden, Smith, and York’s 2003 IEEE paper, “Amazon.com Recommendations: Item-to-Item Collaborative Filtering,” describes an item-based approach to personalized recommendations. The paper contrasts it with traditional collaborative filtering that searches for customers similar to the current user. Instead, the method compares items and uses the customer’s interests in items to identify relevant recommendations. The paper reports that its online computation scaled independently of the number of customers and the number of products in the catalog, addressing a specific engineering challenge in a large store at that time. The item-to-item approach is useful to understand as a pattern: build item relationships from interaction data, then use items associated with a customer as starting points for candidate generation. It avoids a direct user-neighbor search at request time. The exact similarity calculation, offline preparation, serving architecture, and update strategy are implementation choices. A real recommender may also combine item content, user context, ranking models, constraints, and business logic. The paper is historical evidence about a system Amazon described in 2003, not a public blueprint for Amazon’s current storefront. Modern catalogs, objectives, data, and infrastructure can change. When discussing it, name the authors and publication year, explain the central item-to-item idea, and scope scaling claims to the paper’s method and setting. Use it to compare recommendation design choices, not to claim that every modern Amazon recommendation still runs on exactly that original algorithm.
Исторический рекомендательный механизм item-to-item использует просмотренные или купленные пользователем товары для поиска связанных товаров, а затем ранжирует кандидаты для отображения.
Инженер заранее вычисляет сходства между элементами, чтобы при обслуживании использовать соседей элемента, а не сравнивать каждого клиента со всеми остальными.
Команда сравнивает кандидаты, основанные на элементах, с базовыми подходами, основанными на пользователях или контенте, в рамках одной задачи рекомендаций.
Автор различает заявленный дизайн 2003‑го года и текущие продукты Amazon, чьи современные алгоритмы не полностью публичны.
Рекомендательные архитектуры развиваются по мере изменения каталогов, сигналов и инфраструктуры. Статья Amazon остаётся полезным примером переноса дорогих онлайн‑вычислений к предвычисленным отношениям между элементами. Поздние системы могут комбинировать такие кандидаты с обученными эмбеддингами, контекстом в реальном времени, бизнес‑правилами и другими моделями. Исследователям и практикам следует различать классический опубликованный дизайн и недокументированную современную производственную систему. По мере изменения ассортимента продуктов и ограничений обслуживания команды могут переоценить поиск на основе элементов относительно текущих базовых линий и потребностей пользователей в меняющихся розничных системах сегодня.
Бесплатная рассылка
Три проверенных AI-истории каждое утро буднего дня, написанные простым английским. Бесплатно навсегда, без рекламы.
Одно электронное письмо каждый будний день. Отписаться в один клик. Мы никогда не продаем и не передаем ваш адрес.
Проверьте себя
Мгновенная обратная связь по каждому ответу и общий сертификат с проверяемым идентификатором после прохождения курса.
Поддержите бесплатное образование в области искусственного интеллекта. AI Understanding — это некоммерческая организация 501(c)(3). Никакой рекламы и платного доступа. Сделать пожертвование
«Amazon item-to-item collaborative filtering» – это название исследовательской работы Amazon 2003 года, описывающей рекомендации на основе отношений между предметами, а не поиска пользователей, похожих на клиента. Это историческое публичное раскрытие архитектуры; его не следует рассматривать как полное описание текущих проприетарных систем рекомендаций Amazon.
Заголовок статьи IEEE указывает на метод item-to-item collaborative filtering.
В работе сравниваются отношения между предметами с поиском похожих клиентов.
В работе сообщается о свойствах масштабирования для метода item-to-item.
Руководство объясняет использование предметов, связанных с клиентом, для поиска связанных кандидатов.
Руководство описывает перенос вычисления отношений между предметами из прямого шага сходства пользователей.
Продолжайте учиться
Другие руководства, выбранные по этой теме
ДалееСледующее руководство
Как работает алгоритм рекомендаций YouTube
Компании