기계 학습 기반 보고서 넷플릭스, 아마존 등 많은 기업들이 '추천 엔진'을 사용합니다. Amazon에서 무언가를 구매할 때 일반적으로 다른 제품을 추천하는 것을 본 적이 있을 것입니다. Netflix를 시청한 경우 추천 TV 프로그램과 영화도 제공됩니다.우리는 전체 인터넷에서 프리미엄 기술을 사용하는 데 동일한 프로세스를 적용했습니다. 이를 통해 유사한 웹사이트(프리미엄 기술 사용 기준)가 있는 웹사이트가 수행하는 작업을 기반으로 웹사이트에서 사용을 고려할 수 있는 기술을 예측할 수 있습니다.작동 방식상당한 기술 비용을 지출하는 모든 웹사이트에 대해 어떤 기술이 적합한지 찾습니다.저희는 웹사이트의 권장사항에 대한 가중치를 결정하기 위해 교차량을 사용합니다. 따라서 웹 사이트가 많은 기술과 일치하는 경우 웹 사이트가 더 적은 프리미엄 기술과 일치하는 경우보다 사이트에서 사용하지 않는 프리미엄 기술을 더 강력히 권장합니다.이 예에서 Overstock은 Arup에 대한 권장 사항을 갖고 있으며 그 반대의 경우도 마찬가지입니다. 추천의 가중치는 매칭 기술 교차가 상당히 낮기 때문에 그다지 강력하지 않습니다(대부분의 프리미엄 기술은 공유되지 않음).이를 위해 행렬 분해와 같은 진정한 AI 모델을 사용하는 것은 어떨까요? 우리는 시도했지만 데이터 세트 결과가 매우 좋지 않았고 AI 모델은 우리가 통제할 수 없거나 실제로 수행하는 작업을 이해할 수 없는 '마법의 숫자'를 사용합니다. 이에 대한 좋은 예는 MatrixFactorizationTrainer 코드<에 있습니다. /a> "더 나은 결과를 얻으려면 다음을 사용하십시오"라는 참조와 더 나은 결과를 생성하는 이유에 대한 설명 없이 두 개의 변수가 있습니다. 우리가 사용하는 알고리즘은 매우 명확한 방법론을 가지고 있으며, 그것이 어떻게 구현되고 왜 작동하는지 이해합니다.실제로 작동합니까?예, 우리는 그렇게 생각합니다. 예를 들어 Magento Enterprise의 '미래 고객'은 일반적으로 이미 'Magento'를 기술로 사용하고 있습니다. 우리는 이 두 기술이 서로 관련되어 있거나 Magento Enterprise 고객이 논리적으로 Magento로 시작할 것이라는 점을 시스템에 알리지 않았습니다.Recommendations API 엔드포인트예, JSON 및 XML 응답을 제공하는 API 엔드포인트를 통해 데이터에 액세스할 수 있습니다. https://api.builtwith.com/recommendations-api.나만의 모델 만들기모델을 구축하기 위한 기본 데이터를 얻으려면 BuiltWith 데이터 세트를 사용해야 합니다. 자신의 모델을 가지고 있습니다.