In diesem zweiten Modul lernen wir, wie man die Qualität eines Empfehlungssystems definiert und misst. Wir werden uns verschiedene Metriken ansehen, die zu diesem Zweck verwendet werden können. Am Ende des Moduls werden Sie in der Lage sein, die richtigen Bewertungsaktivitäten zu identifizieren, die erforderlich sind, um die Qualität eines bestimmten Empfehlungssystems auf der Grundlage von Zielen und Bedürfnissen zu messen.

In diesem Modul werden wir inhaltsbasierte Empfehlungsmethoden analysieren. Diese Algorithmen empfehlen Artikel, die denen ähnlich sind, die einem Benutzer in der Vergangenheit gefallen haben. Wir werden uns verschiedene Ähnlichkeitsfunktionen ansehen und Sie werden dann in der Lage sein, die für Ihr System am besten geeignete zu wählen. Die wichtigste Eingabe ist die Artikel-Inhalts-Matrix (ICM), die alle Attribute für jeden Artikel beschreibt. Wir werden sehen, wie wir die Qualität inhaltsbasierter Techniken verbessern können, indem wir die Bedeutung jedes Attributs in der ICM normalisieren und abstimmen: Sie werden in der Lage sein, einige spezifische Abstimmungsstrategien zu verwenden, um die beste Qualität der Empfehlungen Ihres Systems zu erhalten. Am Ende dieses Moduls werden Sie also wissen, wie Sie ein inhaltsbasiertes Empfehlungssystem aufbauen und wie Sie Ihre Eingabedaten bereinigen und normalisieren können.

In diesem Modul befassen wir uns mit kollaborativen Filtertechniken, die die User Rating Matrix (URM) als wichtigste Eingabedaten verwenden, die die Interaktion zwischen Nutzern und Artikeln beschreiben. Wir lernen, wie man nicht-personalisierte Empfehlungssysteme erstellt und wie man die URM normalisiert, um bessere Empfehlungen zu erhalten. Am Ende des Moduls werden Sie in der Lage sein, die am besten geeignete Ähnlichkeitsfunktion und die geeignetste Methode zur Berechnung der Ähnlichkeit auszuwählen und dabei Probleme im Zusammenhang mit expliziten Bewertungen zu überwinden.