आप ठंड एक सिफारिश प्रणाली शुरू कर सकते हैं।
दो प्रकार की सिफारिश प्रणाली हैं; सहयोगी फ़िल्टरिंग और सामग्री आधारित। सामग्री आधारित सिस्टम उन चीजों के बारे में मेटा डेटा का उपयोग करते हैं जिन्हें आप अनुशंसा कर रहे हैं। सवाल यह है कि मेटा डेटा क्या महत्वपूर्ण है? दूसरा दृष्टिकोण सहयोगी फ़िल्टरिंग है जो मेटा डेटा की परवाह नहीं करता है, यह सिर्फ एक आइटम के बारे में सिफारिश करने के लिए लोगों ने क्या किया या कहा है। सहयोगी फ़िल्टरिंग के साथ आपको चिंता करने की ज़रूरत नहीं है कि मेटा डेटा में कौन सी शर्तें महत्वपूर्ण हैं। वास्तव में आपको सिफारिश करने के लिए किसी भी मेटा डेटा की आवश्यकता नहीं है। सहयोगी फ़िल्टरिंग के साथ समस्या यह है कि आपको डेटा चाहिए। आपके पास पर्याप्त डेटा होने से पहले आप सामग्री-आधारित अनुशंसाओं का उपयोग कर सकते हैं। आप दोनों विधियों पर आधारित अनुशंसाएं प्रदान कर सकते हैं, और शुरुआत में 100% सामग्री-आधारित है, फिर जब आप सहयोगी फ़िल्टरिंग के आधार पर अधिक डेटा प्राप्त करना शुरू करते हैं। वह विधि है जिसे मैंने अतीत में उपयोग किया है।
एक और आम तकनीक सामग्री आधारित हिस्से को एक साधारण खोज समस्या के रूप में पेश करना है। आपने मेटा डेटा को अपने दस्तावेज़ के टेक्स्ट या बॉडी के रूप में रखा है, फिर अपने दस्तावेज़ों को इंडेक्स करें। आप इसे ल्यूसीन & सोलर के साथ कोई कोड लिखने के बिना कर सकते हैं।
आप कैसे बुनियादी सहयोगी फ़िल्टर कार्यप्रणाली को पता है, टोबी Segaran
स्रोत
2011-03-14 17:07:36
यह सबसे अच्छा जवाब है और वास्तव में चेक मार्क का हकदार है। मैं जोड़ूंगा कि बैंडिट एल्गोरिदम नए उत्पादों के लिए बेसलाइन दरों की खोज करने या सामग्री आधारित और सहयोगी दृष्टिकोण के बीच व्यापार को निर्धारित करने में भूमिका निभा सकता है। – SetJmp