Wie der Name sagt, ist es eine relativ einfache Frage. In beiden berechnen wir die Ähnlichkeit zwischen zwei Elementen (könnte natürlich auch unterschiedliche Maße verwenden). Und wir empfehlen die Elemente, die dem gerade verwendeten Benutzer am nächsten sind. Kann mir jemand erklären, wie die zwei verschiedene Dinge sind?Unterschied zwischen Content Based Recommender und K bedeutet Clustering
Aus einer Konzeptperspektive ist ein Content Based Recommender ein Empfehlungssystem und es ist nicht notwendig mit Clustering-Strategien zu arbeiten, stattdessen könnte es jede Strategie implementieren. Ein contentbasierter Recommender könnte Klassifizierungen, Vorhersagen, Clustering oder die Zusammenführung all dieser Strategien anwenden, um eine Empfehlung für etwas zu geben, das wir als Decision Support System bezeichnen.
K-means ist eine Strategie, die die Attribute eines Datasets als Vektoren verwendet und basierend auf dem euklidischen Abstand zwischen den Elementen eine k Anzahl von Clustern jedes Elements im Dataset angibt.
Eine Content Based Recommender könnte k-means als Teil einer Strategie verwenden, um eine Empfehlung an eine Decision Support System zu liefern.
Vielen Dank. Ich denke, das macht es mir klarer. –
In der Websuche berechnen wir auch Ähnlichkeit. Das ist also auch das Gleiche? Und da es sich um eine Sortierung handelt, ist sowieso alles nur QuickSort? –