Mantieni tutto organizzato con le raccolte
Salva e classifica i contenuti in base alle tue preferenze.
Panoramica dei consigli
I sistemi di suggerimenti sono una delle applicazioni di maggiore successo e piรน diffuse del
machine learning per le attivitร . Puoi utilizzare un sistema di consigli per aiutare gli utenti a trovare contenuti coinvolgenti in un'ampia raccolta di contenuti. Ad esempio, Google Play Store offre milioni di app, mentre YouTube offre miliardi di video, con altre app e altri video aggiunti ogni giorno.
Gli utenti possono utilizzare la ricerca per trovare nuovi contenuti, ma questa operazione รจ limitata dai termini di ricerca che utilizzano. Un sistema di consigli puรฒ suggerire contenuti che gli utenti potrebbero non aver pensato di cercare autonomamente. Per ulteriori informazioni, consulta la Panoramica dei sistemi di consigli.
Gli algoritmi di machine learning nei sistemi di consigli sono in genere classificati nelle seguenti categorie:
Filtro basato sui contenuti: utilizza la somiglianza tra gli elementi per fornire consigli. Ad esempio, se un utente guarda due video di gatti carini, il sistema di consigli puรฒ consigliargli altri video di animali carini.
Filtro collaborativo: utilizza le somiglianze tra gli utenti (in base alle query degli utenti) per fornire consigli. Ad esempio, se l'utente A cerca contenuti simili a quelli dell'utente B e quest'ultimo ha aggiunto il video 1 ai suoi Mi piace, il sistema di consigli puรฒ consigliare il video 1 all'utente A, anche se non ha guardato video simili.
In un modello di fattorizzazione matriciale, le coppie utente-elemento vengono mappate a una matrice bidimensionale, con gli utenti unici su un asse e gli elementi unici sull'altro asse. Le valutazioni che un utente ha assegnato agli articoli si trovano nelle celle della matrice.
Questa matrice non deve essere completamente completa; nella maggior parte dei casi, gli utenti
non avranno un valore per ogni elemento. L'obiettivo del modello di fattorizzazione matriciale รจ creare due matrici di pesi piรน piccole e dense che, se moltiplicate tra loro, approssimano i valori delle celle della matrice originale e forniscono valutazioni previste per le celle della matrice vuote.
Una delle matrici piรน piccole contiene gli utenti unici su un asse e il numero di fattori latenti sull'altro asse, come specificato dall'opzione NUM_FACTORS dell'istruzione CREATE MODEL. L'altra matrice piรน piccola contiene gli elementi unici su un asse e il numero di fattori latenti sull'altro asse. In questa
matrice, i pesi dei fattori latenti vengono generati dall'algoritmo utilizzato per addestrare
il modello, in base alle combinazioni utente-elemento della matrice di input.
Puoi utilizzare un modello di fattorizzazione matriciale con la
funzione ML.RECOMMEND per generare suggerimenti.
Altri modelli per i consigli
Per estendere un sistema di suggerimenti basato sul filtro collaborativo oltre a quanto possibile con un modello di fattorizzazione matriciale, puoi utilizzare i modelli di reti neurali profonde (DNN) e Wide and Deep con la funzione ML.PREDICT per fare suggerimenti. Questi modelli possono incorporare funzionalitร di query e articoli per migliorare la pertinence dei consigli. Per maggiori informazioni, consulta le seguenti risorse:
Utilizzando le impostazioni predefinite nelle istruzioni CREATE MODEL e nelle funzioni di inferenza, puoi creare e utilizzare un modello di consigli anche senza molte conoscenze di ML. Tuttavia, avere conoscenze di base sullo sviluppo dell'ML e sui modelli di consigli in particolare ti aiuta a ottimizzare sia i dati sia il modello per ottenere risultati migliori. Ti consigliamo di utilizzare le seguenti risorse per acquisire familiaritร con le tecniche e le procedure di ML:
[[["Facile da capire","easyToUnderstand","thumb-up"],["Il problema รจ stato risolto","solvedMyProblem","thumb-up"],["Altra","otherUp","thumb-up"]],[["Difficile da capire","hardToUnderstand","thumb-down"],["Informazioni o codice di esempio errati","incorrectInformationOrSampleCode","thumb-down"],["Mancano le informazioni o gli esempi di cui ho bisogno","missingTheInformationSamplesINeed","thumb-down"],["Problema di traduzione","translationIssue","thumb-down"],["Altra","otherDown","thumb-down"]],["Ultimo aggiornamento 2025-09-04 UTC."],[[["\u003cp\u003eRecommendation systems are widely used in businesses to help users discover content they might not find through search, utilizing machine learning to suggest relevant items.\u003c/p\u003e\n"],["\u003cp\u003eContent-based filtering and collaborative filtering are two primary methods used in recommendation systems, with the former focusing on item similarity and the latter on user similarities.\u003c/p\u003e\n"],["\u003cp\u003eMatrix factorization models, which are a type of collaborative filtering, map user-item interactions to a matrix and aim to predict user preferences by filling in missing data, using latent factors to simplify the matrix.\u003c/p\u003e\n"],["\u003cp\u003eFor more advanced recommendation systems, deep neural network (DNN) and Wide-and-Deep models can be used, incorporating query and item features to enhance the accuracy and relevance of recommendations.\u003c/p\u003e\n"],["\u003cp\u003eBasic machine learning knowledge can improve the effectiveness of recommendation models, and resources are recommended to help develop familiarity with machine learning techniques.\u003c/p\u003e\n"]]],[],null,["# Recommendation overview\n=======================\n\nRecommendation systems are one of the most successful and widespread applications of\nmachine learning for businesses. You can use a recommendation system to help your users find compelling content in a large body of content. For example, Google Play Store\noffers millions of apps, while YouTube offers billions of videos, with more apps\nand videos added every day.\nUsers can use search to find new content, but that is limited by the search terms they use. A recommendation system can suggest content that users might not have thought to search for on their own. For more information, see\n[Recommendation Systems Overview](https://developers.google.com/machine-learning/recommendation/overview/types).\n\nMachine learning algorithms in recommendation systems are typically classified\ninto the following categories:\n\n- Content-based filtering: uses similarity between items to provide recommendations. For example, if a user watches two cute cat videos, then the recommendation system can recommend more cute animal videos to that user.\n- Collaborative filtering: uses similarities between users (based on user queries) to provide recommendations. For example, if user A searches for similar things to user B, and user B likes video 1, then the recommendation system can recommend video 1 to user A, even if user A hasn't watched any videos similar to video 1.\n\nMatrix factorization models\n---------------------------\n\n[Matrix factorization models](/bigquery/docs/reference/standard-sql/bigqueryml-syntax-create-matrix-factorization) are widely used as a collaborative filtering method for recommendation systems.\n\nIn a matrix factorization model, user-item pairs are mapped to a two-dimensional\nmatrix, with the unique users on one axis and the unique items on the other\naxis. Ratings that a user has given items reside in the cells of the matrix.\nThis matrix doesn't need to be completely full; the majority of the time, users\nwon't have a value for each item. The goal of the matrix factorization model is\nto create two smaller, dense matrixes of weights that when multiplied together,\napproximate the original matrix cell values and provide predicted ratings for\nthe empty matrix cells.\n\nOne of the smaller matrixes contains the unique users on one axis and the number\nof latent factors on the other axis, as specified by the\n[`NUM_FACTORS` option](/bigquery/docs/reference/standard-sql/bigqueryml-syntax-create-matrix-factorization#num_factors)\nof the `CREATE MODEL` statement. The other smaller matrix contains the unique\nitems on one axis and the number of latent factors on the other axis. In this\nmatrix, the latent factor weights are generated by the algorithm used to train\nthe model, based on the user-item combinations from the input matrix.\n\nFor more information, see\n[Matrix Factorization](https://developers.google.com/machine-learning/recommendation/collaborative/matrix).\n\nYou can use a matrix factorization model with the\n[`ML.RECOMMEND` function](/bigquery/docs/reference/standard-sql/bigqueryml-syntax-recommend)\nto make recommendations.\n\nOther models for recommendation\n-------------------------------\n\nTo extend a collaborative filtering-based recommendation system beyond what is\npossible with a matrix factorization model, you can use\n[deep neural network (DNN)](/bigquery/docs/reference/standard-sql/bigqueryml-syntax-create-dnn-models)\nand\n[Wide-and-Deep](/bigquery/docs/reference/standard-sql/bigqueryml-syntax-create-wnd-models)\nmodels with the\n[`ML.PREDICT` function](/bigquery/docs/reference/standard-sql/bigqueryml-syntax-predict)\nto make recommendations. These models can incorporate query and item features to improve the\nrelevance of recommendations. For more information, see the following resources:\n\n- [Recommendation using Deep Neural Network Models](https://developers.google.com/machine-learning/recommendation/dnn/softmax)\n- [Deep Neural Networks for YouTube Recommendations](https://research.google/pubs/pub45530)\n- [Wide \\& Deep Learning for Recommender Systems](https://arxiv.org/pdf/1606.07792.pdf)\n\nRecommended knowledge\n---------------------\n\nBy using the default settings in the `CREATE MODEL` statements and the\ninference functions, you can create and use a recommendation model even\nwithout much ML knowledge. However, having basic knowledge about\nML development, and recommendation models in particular,\nhelps you optimize both your data and your model to\ndeliver better results. We recommend using the following resources to develop\nfamiliarity with ML techniques and processes:\n\n- [Machine Learning Crash Course](https://developers.google.com/machine-learning/crash-course)\n- [Intro to Machine Learning](https://www.kaggle.com/learn/intro-to-machine-learning)\n- [Intermediate Machine Learning](https://www.kaggle.com/learn/intermediate-machine-learning)\n- [Recommendation Systems](https://developers.google.com/machine-learning/recommendation)"]]
