ستساعدك المقالة التالية: التنفيذ العملي لنظام التوصيات القائم على المحتوى – نحو الذكاء الاصطناعي
نُشر في الأصل على نحو AI ، الشركة الرائدة في العالم في مجال الذكاء الاصطناعي والأخبار التقنية والإعلام. إذا كنت تقوم ببناء منتج أو خدمة متعلقة بالذكاء الاصطناعي ، فنحن ندعوك للتفكير في أن تصبح راعيًا للذكاء الاصطناعي. في نحو الذكاء الاصطناعي ، نساعد في توسيع نطاق الشركات الناشئة في مجال الذكاء الاصطناعي والتكنولوجيا. دعنا نساعدك على إطلاق التكنولوجيا الخاصة بك للجماهير.
نظام توصية كامل شامل قائم على المحتوى يوصي بأفلام مماثلة بناءً على مدخلات المستخدم.
ما هو نظام التوصية؟
عندما نزور مركزًا تجاريًا لشراء زوج جديد من الأحذية أو الملابس ، نجد شخصًا مخصصًا يساعدنا في نوع المنتجات التي يجب أن نشتريها بناءً على تفضيلاتنا ويجعل مهمتنا أبسط. بكلمات بسيطة ، هو نظام توصية. ولكن في هذا العالم الحديث ، كل شيء موجود على الإنترنت ، وهناك الكثير من المحتوى على الإنترنت ، وهناك ملايين من مقاطع الفيديو على Youtube وعدة ملايين من المنتجات على Amazon، مما يجعل من الصعب على المستخدم الاختيار. هناك نظام التوصية ، الذي يجعل حياة المستخدم بسيطة من خلال التوصية بالفيديو التالي لمشاهدته أو شراء منتج مشابه.
نظام التوصية هو جزء من الكود ذكي بما يكفي لفهم تفضيلات المستخدم والتوصية بالأشياء بناءً على اهتماماته / اهتماماتها ، والهدف هو زيادة الربحية. على سبيل المثال ، يريد Youtube و NetFlix قضاء المزيد من الوقت على نظامهم الأساسي ، لذلك يوصون بمقاطع الفيديو بناءً على تفضيلات المستخدم. Amazon يريدك أن تشتري منتجات من موقعه على الويب حتى يتمكن من تحقيق المزيد من الأرباح.
ما هي الأنواع المختلفة لأنظمة التوصيات؟
على أساس الشعبية: التوصية بأفضل المنتجات من موقع الويب الخاص بهم لكل مستخدم. هذه الطريقة لن تأخذ في الاعتبار مصلحة المستخدم. على سبيل المثال ، قسم Trending على Youtube ، أفضل 250 فيلمًا في IMDB.
على أساس المحتوى:
هذا يعتمد على التشابه بين المنتجات. على سبيل المثال ، إذا شاهد المستخدم فيلمًا وأعجب به ، فقد يرغب في مشاهدة أفلام مماثلة في المستقبل. يمكن أن يعتمد هذا على النوع أو الممثل أو الممثلة أو المخرج.
تصفية التعاونية:
هذا يعتمد على تشابه المستخدمين. على سبيل المثال ، إذا كان الشخص “أ” و “ب” قد شاهد وأعجب بالفيلم “م” ، وبعد ذلك إذا شاهد الشخص “أ” الفيلم “ع” وأعجب به ، يمكننا أن نوصي بالفيلم “ب” للشخص “ب” نظرًا لأن “أ” و “ب” من المستخدمين المتشابهين.
إذا كنت حريصًا على معرفة كيف يمكننا بناء نظام توصية قائم على الشعبية والتصفية التعاونية ، ففكر في قراءة المدونة أدناه.
مشروع توصية كامل قائم على التعلم الآلي من النهاية إلى النهاية
التصفية الهجينة: يستخدم هذا كل أو بعض الطرق المذكورة أعلاه لتشكيل نموذج هجين.
نظام توصية الأفلام المعتمد على المحتوى:
دعونا نلقي نظرة على كيف يمكننا بناء نظام توصية الكتاب القائم على المحتوى. فيما يلي صورة النموذج النهائي الذي سنقوم ببنائه لهذا المشروع.
فيما يلي الخطوات التي سنقوم بها.
- دمج إطارات البيانات “الأفلام” و “الاعتمادات” للحصول على إطار البيانات النهائي.
- ضع في اعتبارك فقط الأعمدة المطلوبة.
- العمل على العمود – الأنواع:
العمود “الأنواع” هو قائمة القواميس ، وله مفاتيح وقيم ، لكننا نحتاج فقط إلى قيم النوع ، لذلك دعونا نصنع وظيفة للحصول على البيانات المطلوبة فقط.
يحتوي عمود “الأنواع” الآن على البيانات المطلوبة فقط.
- دعونا نطبق نفس الوظيفة على عمود “الكلمات الرئيسية”.
- دعونا نعدل الوظيفة المذكورة أعلاه للحصول على أول 3 أسماء فقط.
- دعونا نحصل على اسم المخرج من العمود “طاقم” عن طريق تعديل الوظيفة المذكورة أعلاه.
- دعونا نحول العمود “نظرة عامة” من سلسلة إلى قائمة
- نحتاج إلى تعديل أسماء الطاقم وأعضاء فريق التمثيل بطريقة لا ينبغي أن يكون هناك أي مسافة بين الأسماء لأننا عندما نقوم بتحويل الكلمات إلى متجهات ، سيتأثر نموذج التعلم الآلي لدينا. على سبيل المثال ، يجب تحويل James Cameron إلى JamesCameron و Johnny Depp ليتم تحويلهما إلى JohnnyDepp والخيال العلمي ليتم تحويلهما إلى الخيال العلمي.
- دعونا ننشئ عمودًا جديدًا يسمى العلامات عن طريق ربط السمات “الكلمات الرئيسية” و “نظرة عامة” و “الأنواع” و “فريق العمل” و “طاقم العمل”.
- لنقم بإنشاء إطار بيانات جديد new_df من خلال أخذ الميزات “movie_id” و “title” و “العلامات” فقط.
- دعنا نحول “العلامات” الخاصة بالميزة من قائمة إلى سلسلة.
- تحويل “العلامات” الميزة إلى أحرف صغيرة.
- تطبيق الاشتقاق لتحويل الكلمات إلى صيغها الأساسية.
- الآن دعنا نحول العلامات إلى حقيبة كلمات أثناء إزالة جميع كلمات التوقف ، والآن ستكون ناقلات الفيلم جاهزة. كل فيلم عبارة عن ناقل بأبعاد 5000.
- دعونا نحسب درجة التشابه بين كل متجه فيلم.
- دعنا نصنع وظيفة تأخذ اسم فيلم كمدخل ونقترح 5 أفلام بناءً على درجات التشابه.
ألق نظرة على بعض التوصيات من النموذج.
- نشر النموذج: لنستفيد من مكتبة “الانسيابية” لإنشاء واجهة مستخدم رسومية بسيطة ونشر النموذج.
لقد أكملنا الواجهة الأمامية للتطبيق بنجاح ، ويمكنك نشرها على أي من الأنظمة الأساسية السحابية. ألق نظرة على بعض التوصيات أدناه.
لقد أكملنا جميع الخطوات بنجاح ، ونموذجنا جاهز. يمكنك محاولة بناء نموذج مماثل. يمكن العثور على الكود الكامل على صفحة Github الخاصة بي.
نُشر التنفيذ العملي لنظام التوصيات المستند إلى المحتوى في الأصل في “نحو الذكاء الاصطناعي على المستوى المتوسط” ، حيث يواصل الأشخاص المحادثة من خلال تسليط الضوء على هذه القصة والرد عليها.
تم النشر عبر نحو الذكاء الاصطناعي
