Friday, May 02, 2025

vector distance

 

https://colab.research.google.com/github/GoogleCloudPlatform/generative-ai/blob/main/embeddings/intro-textemb-vectorsearch.ipynb


https://research.google/blog/announcing-scann-efficient-vector-similarity-search/
















GCP AI

 

https://www.youtube.com/watch?v=FcHT6Ff3B5c




Tuesday, April 29, 2025

Google Cloud Skill Boost

 

https://www.cloudskillsboost.google/



Amazon.com recommendations: item-to-item collaborative filtering

 

https://ieeexplore.ieee.org/document/1167344

https://www.amazon.science/the-history-of-amazons-recommendation-algorithm

Test-of-time Award...


核心概念:

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。


主要內容與貢獻:

  1. 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。

  2. 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

  3. 相似度計算方法:
    相似度是根據哪些商品被共同購買共同評價過來衡量的,例如利用 cosine similarity、協同計數等方式。

  4. 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。

  5. 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。


優點:

  • 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


Related Posts Plugin for WordPress, Blogger...