سیستم پیشنهاددهنده می‌تواند از ویژگیِ محتوا، رفتارِ کاربران یا ترکیبی از آن‌ها استفاده کند. این سه مسیر لزوماً رتبهٔ یکسان نمی‌سازند. با چهار محتوای کاملاً خیالی و تعاملِ مثبتِ سه کاربر، سه قاعدهٔ ساده را اجرا می‌کنیم؛ این مثال، آموزش مدل، آزمایشِ کاربر یا نتیجهٔ فروش نیست.
موجودی و معنیِ تعامل
دو ویژگیِ دستی «طبیعت» و «معما» داریم. I1وI2بردار[۱،۰]،I3بردار[۰،۱]وI4بردار[۱،۱]دارند. کاربرU0فقطI1را پسندیده،U1باI1وI3وU2باI2تعاملِ مثبت دارد. I4تازه است و هیچ تعاملِ مثبتی برایش ثبت نشده. نبودِ تعامل را نپسندیدن یا دیده‌شدنِ قطعی حساب نمی‌کنیم.
I1برایU0از نامزدها کنار گذاشته می‌شود چون قبلاً در سابقه‌اش بوده است؛ نامزدهای تازه I2،I3وI4هستند. حذفِ دیده‌شده در این تمرین یک سیاستِ صریح است، نه قاعدهٔ اجباریِ همهٔ پیشنهاددهنده‌ها.
پیشنهاد بر پایهٔ محتوا
میانگینِ ویژگیِ مواردِ پسندیدهٔU0در اینجا[۱،۰]است. شباهتِ کسینوسی باI2برابر۱،باI3صفر و باI4برابر۱÷√۲،حدود۰٫۷۰۷۱است. رتبهٔ محتوامحور I2،I4،I3می‌شود. ویژگی‌های I4با وجودِ نداشتنِ تعامل در دسترس‌اند؛ بنابراین این قاعده می‌تواند به آن امتیاز بدهد.
این امتیاز به معنی احتمالِ خرید یا رضایت نیست؛ فقط نتیجهٔ دو ویژگیِ دستی و سنجهٔ انتخاب‌شده است. حسابِ شباهت کسینوسی را برای مرز تفسیر عدد جدا ببینید.
پیشنهاد از تعاملِ کاربرانِ مشابه
در قاعدهٔ هم‌رفتاریِ این نمونه، شباهتِ مجموعهٔ پسندیده‌ها را با Jaccardمی‌گیریم. شباهت U0وU1برابر۱÷۲وU0وU2صفر است. امتیازِ هر نامزد، جمعِ شباهتِ کاربرانی است که آن نامزد را پسندیده‌اند؛ این یک جمعِ وزن‌دارِ نرمال‌نشده است، نه پیش‌بینیِ ratingیا ماتریسِ آموخته‌شده.
بنابراین I3امتیاز۰٫۵وI2وI4امتیازصفر می‌گیرند؛ I3اول می‌شود، با اینکه از نظرِ دو ویژگیِ محتوا بهU0شباهت نداشت. این نتیجه نشان می‌دهد منبعِ شاهد فرق کرده است؛ ثابت نمی‌کند پیشنهادِ تازه برای کاربر بهتر است.
ترکیبِ دو امتیاز، انتخابی تازه است
قاعدهٔ هیبریدِ دستی را۰٫۲۵×امتیازِ محتوا+۰٫۷۵×امتیازِ هم‌رفتاری گذاشته‌ایم. I2برابر۰٫۲۵،I3برابر۰٫۳۷۵وI4حدود۰٫۱۷۶۸می‌شود؛ I3اول است. این وزن‌ها را برای صورت تمرین انتخاب کرده‌ایم و با داده تنظیم نکرده‌ایم. مقیاس و معنیِ امتیازهای دو مسیر باید پیش از ترکیب بررسی شود؛ هر دو عدد صرفاً چون بین صفر و یک‌اند احتمالِ یکسان نیستند.
| نامزد | محتوا | هم‌رفتاریِ این قاعده | هیبرید |
|---|---|---|---|
| I2 | ۱ | ۰ | ۰٫۲۵ |
| I3 | ۰ | ۰٫۵ | ۰٫۳۷۵ |
| I4 | حدود۰٫۷۰۷۱ | ۰ | حدود۰٫۱۷۶۸ |
چه چیزی برای کاربردِ واقعی باقی است؟
کاربرِ بدون سابقه، محتوای بدون ویژگی، تعاملِ ناشی از جایگاه نمایش و دادهٔ کم می‌توانند هر مسیر را محدود کنند. این کد برای کاربرِ بدون سابقه سیستم کامل ندارد و صفرِ امتیاز را شاهدِ نارضایتی نمی‌نامد. برای مقایسه، معیارِ هدف، دادهٔ زمانیِ جدا، پوشش نامزد و قواعدِ مجازِ نمایش لازم‌اند؛ رتبهٔ یک جدول، نتیجهٔ کیفیتِ محصول نیست.
مدل‌های واقعیِ هم‌رفتاری می‌توانند از نمایش‌های آموخته‌شده و روش‌های متفاوت استفاده کنند؛ کدِ حاضر فقط سه قاعدهٔ دست‌ساز را بازتولید می‌کند. اگر هدف پاسخ به سؤالِ مشتری است، بازیابی و تولید پاسخ را از پیشنهادِ محتوای دلخواه جدا کنید. مبانیِ بیشتر در راهنمای هوش مصنوعی است؛ سامانهٔ پیشنهاددهندهٔ آماده در خدمات اپرا اعلام نمی‌کنیم.
فایل تمرین و منبع
سه قاعدهٔ مشخص و رتبه‌های واقعیِ محاسبه‌شده · چهار محتوای ساختگی و تعامل مثبتِ سه کاربرِ خیالی
منابع در ۳ نوامبر ۲۰۲۶ خوانده شدند؛ این تاریخ، تاریخ انتشار منبع نیست. مثال‌ها و فایل‌های این راهنما آموزشی و ساختهٔ تحریریه‌اند.