Los sistemas de recomendación son como AI: Hacer una IA general y un Sistema de recomendación general es increíblemente difícil.
Esto no es solo un problema informático, sino que también podría reflejar algo sobre la sociedad en la que vivimos; los humanos están especializados para operar en pequeñas tareas limitadas por el contexto. Lo mismo es cierto con toda la información, y de eso la deducción lógica es que las buenas recomendaciones y la inteligencia artificial funcional tienden a estar limitadas por el contexto.
En la práctica, existen buenos métodos, que generalmente funcionan bien, pero en esencia para cada RS debe buscar problemas específicos de dominio de Data Science, que pueden modelarse y resolverse dentro de un tiempo de cálculo finito.
- ¿Cuáles son algunas intersecciones interesantes entre la investigación académica y los juegos?
- ¿Con qué licencia debo lanzar una caja de herramientas de software creada para su uso en investigación académica?
- ¿Cuál es más desafiante, encontrar un puesto de doctorado o de doctorado?
- ¿Cómo se protege contra 'Wikiality'?
- ¿Qué tan difícil es publicar trabajos académicos si trabajas en Microsoft, pero no en Microsoft Research?
Yo personalmente recomendaría leer sobre la teoría de la información cuántica y la entropía de Alfred Reny en general, porque los sistemas de recomendación generalmente tratan con datos generados por humanos, que (la cultura, que genera datos) parece estar siguiendo los principios de enredo de información (entidades individuales que se unen a grupos, para sobrevivir a los flujos de información de manera más eficiente).
Los sistemas de recomendación son un concepto tan amplio que sería mejor vincular el contexto a un dominio específico y / o al nivel de complejidad en el que está trabajando. Los métodos muy simples pueden generar buenos resultados (como contar eventos por entidades y clasificar entidades por conteo simple; luego agrupar para rangos similares).
