https://research.google/blog/announcing-scann-efficient-vector-similarity-search/
https://ieeexplore.ieee.org/document/1167344
https://www.amazon.science/the-history-of-amazons-recommendation-algorithm
Test-of-time Award...
Amazon 開發了一種「基於商品的協同過濾演算法(Item-to-Item Collaborative Filtering)」,用於推薦系統,與傳統的「用戶對用戶」協同過濾方法不同。它的主要目的是提升推薦的準確性、效率與可擴展性,以處理 Amazon 龐大的用戶與商品數據。
基於商品的推薦:
演算法的核心思想是:當一位使用者瀏覽或購買某項商品時,推薦與該商品相似的其他商品,而非找尋與這位使用者相似的其他使用者。
離線計算相似度:
系統會預先離線地計算每個商品與其他商品的相似度,這使得推薦可以即時且快速產生。
相似度計算方法:
相似度是根據哪些商品被共同購買或共同評價過來衡量的,例如利用 cosine similarity、協同計數等方式。
擴展性強:
傳統的用戶對用戶協同過濾在用戶數增加時會迅速變慢,但 Amazon 的方法隨著商品數成長仍能保持良好表現,這是因為商品的總數增長速度通常慢於用戶數。
適應性佳:
即使對冷啟動(如新用戶或冷門商品)也有良好的表現,因為可以從少量行為中推薦與已知商品相似的項目。
高速、即時推薦
可擴展至數百萬用戶與商品
提升用戶體驗與轉換率