Zenbackであなたのブログに全てのフィードバックを。 https://t.co/PQOeAueT6k #klis_iss
2013-05-14 12:56:45問題点:アイテムの情報を詳細に記述したデータベースを用意する必要があり、手間がかかる。ユーザーがアイテムを選ぶ要因を設計者が知る必要がある。#klis_iss
2013-05-14 13:05:41協調フィルタリング:他ユーザの嗜好データを利用し、ユーザの評価値を予測し推薦する。 例)Amazon、Netflix #klis_iss
2013-05-14 13:10:00メモリベース:推薦実行の際に嗜好データを直接利用、最新の嗜好のもとなので精度の高い推薦が可能、ただ左飛アイテム数が増えると推薦に時間がかかる。#klis_iss
2013-05-14 13:14:13モデル:あらかじめ嗜好を分析して、ユーザー、アイテム間の関係を予測するモデルを用意。計算速度が速い。最新の情報が繁栄されないという欠点がある。#klis_iss
2013-05-14 13:15:26コールドスタート問題:ユーザの行動履歴が集まらないと嗜好予測ができない。誰も評価していないアイテムは推薦できない。 他の問題点:複数趣味を持つ人の嗜好がノイズとなる。#klis_iss
2013-05-14 13:23:36授業の推薦システム.TWINS入力を利用する.時間割の重なりをベースにするので,この授業を取った人はこれもとってます.提示について,曜日毎に.自由科目のお勧めを履修人数で判断,単位のとりやすさは前年度の成績情報から判定する #klis_iss
2013-05-14 14:38:10ちなみに私のグループのこの推薦システム。研究している研究室があるみたいです http://t.co/a2dC7jz8ks #klis_iss
2013-05-14 14:44:59手塚先生が前いたところ RT @m_hsmt: ちなみに私のグループのこの推薦システム。研究している研究室があるみたいです http://t.co/SLJ2yDF0WD #klis_iss
2013-05-14 14:46:13次のグループ.筑波大のOPACをAmazonチックに.検索ワードと閲覧履歴を嗜好データ.ハイブリッド推薦.マイストア:pull永続的個人化,これ読んだ人は〜:Passive非個人化,関連書:Passive一時個人化,学類別ランキング:利用者間型pull非個人化 #klis_iss
2013-05-14 14:50:27