Почему Приз Netflix так сложен? [закрытый]
Я согласен, что использование интерфейса - это не тот путь. Избегание этого паттерна даже имеет свой собственный элемент (# 18) в «Эффективной Java» Блоха .
Аргумент, который Блох делает против шаблона константного интерфейса, заключается в том, что использование констант - это деталь реализации, но реализация интерфейса для их использования раскрывает эту деталь реализации в экспортированном API.
Шаблон public|private static final TYPE NAME = VALUE; является хорошим способом объявления константы. Лично я думаю, что лучше избегать создания отдельного класса для размещения всех ваших констант, но я никогда не видел причины не делать этого, кроме личных предпочтений и стиля.
Если ваши константы могут быть смоделированы как перечисление, рассмотрите структуру enum , доступную в версии 1.5 или более поздней.
Если вы используете версию более раннюю, чем 1.5, вы все равно можете извлечь перечисления, безопасные для типов, используя обычные классы Java. (Подробнее об этом см. на этом сайте ).
4 ответа
Потому что NetFlix уже имеет действительно хороший механизм рекомендаций. Если бы они знали, как легко его улучшить, они бы уже сделали это. Вся их бизнес-модель основана на перекрестных продажах товаров (фильмов) потребителям. Алгоритм рекомендаций - действительно ядро их бизнеса. Чем лучше это работает, тем больше денег они могут заработать.
Я думаю, на эту тему было написано несколько статей, но я не знаю, где они сейчас находятся, поэтому я просто объясню это здесь.
Когда люди покупают книги на Amazon (например), они, как правило, покупают книги определенного типа, поэтому можно легко предложить другие книги того же типа.
С фильмами люди могут делать то же самое, но люди обычно не делают этого. Не ограничиваю себя одним жанром. Люди могут смотреть гораздо более широкий спектр фильмов: ужасы, комедии, боевики, мелодрамы и т. Д.
Трудно предсказать, что вам нравится из этих жанров, если вы пока взяли напрокат только один фильм, а этот фильм драма.
Если бы кто-то придумал очень умный механизм рекомендаций, Netflix мог бы извлечь из этого феноменальную пользу. Я думаю они' Мы в основном ищем движок, который может рекомендовать вещи, основанные только на одном или двух фильмах. Новые клиенты, которые мало знают о Netflix, имеют больше шансов остаться, если они найдут фильмы, которые им нравятся на раннем этапе, без необходимости искать их.
На мой взгляд, у них уже есть система рекомендаций, сопоставимая с Amazon. Я думаю, они хотят его улучшить.
Я и мой коллега принимали в нем участие. У меня нет сильного опыта в области ИИ, но механизмы рекомендаций требуют некоторых глубоких знаний существующих литературных алгоритмов, таких как выборка Гиббса, метод K, ближайший сосед и т.д.
Системы рекомендаций страдают от проблем, которые трудно исправить:
- Холодный запуск - В новой системе или с новым пользователем недостаточно данных для создания точного статистическая модель для рекомендации.
- Смещение рейтинга - Если вы основываете рекомендации на оценках пользователей, пользователи, которые оценивают, часто склоняют результаты к своему вкусу. Если вы относитесь к тому типу людей, которым не нравится дополнительная ступень оценки, возможно, людям с похожим вкусом не нравится оценка, поэтому их мнения исключены из рекомендаций.
- Пункты, не получившие оценки, менее вероятны быть оцененным - если вы выбираете и, следовательно, оцениваете элементы на основе их оценок, элементы, которые не оцениваются, будут менее заметны, и им будет трудно получить оценки, которые им необходимы для влияния на рекомендации. В другом направлении, популярные элементы более заметны, чаще оцениваются и поэтому играют большую роль в рекомендациях.
- Временное смещение - рейтинги пользователей меняются со временем. В случае долгосрочных изменений вы можете компенсировать это, добавив элемент времени к своим рекомендациям. Краткосрочные изменения исправить сложнее. После марафона Чака Норриса у вас будет больше шансов поставить высокие оценки боевикам. На следующий день, заплакав Steel Magnolias , вы можете временно отказаться от боевиков.
- Различные мотивы - в рекомендательных системах на основе предметов , книге по вязанию вы купили на день рождения своей тети, это исказит ваши рекомендации (если вы не найдете время, чтобы сказать системе не использовать его). Вы можете дать высокую оценку фильму о плохих детях, потому что он понравился вашим детям.
В совокупности это затрудняет улучшение рекомендательных систем. Система с точностью 80% кажется отличной, но ошибается в 1 из 5 раз. Для некоторых пользователей это создает больше проблем, чем они того стоят.