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

Recurrent Neural Network

RNN ==> LSTM ==> GRU

seq2seq

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或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