Recommendation System

了解推荐系统如何利用 AI 实现个性化用户体验。使用 Ultralytics YOLO26 探索协同过滤和视觉相似性。

推荐系统是一种信息过滤算法，旨在预测用户对特定物品的偏好。这些智能系统是现代 Artificial Intelligence (AI) 应用的基础，通过精选个性化建议，帮助用户在网上海量的内容中找到所需。通过分析 Big Data 中的模式——例如购买历史、观看习惯和用户评分——推荐引擎能够增强用户互动并简化决策过程。它们广泛应用于选择范围超出用户手动评估能力的场景中。

实际应用#

推荐系统的实际效用跨越各个行业，推动着客户体验和业务收入的增长。

电子商务与零售： 平台利用复杂的算法向购物者推荐产品。这些系统通过动态显示“购买此商品的还购买了……”列表，为零售中的 AI 提供动力，从而显著增加交叉销售的机会。
媒体流： 服务高度依赖个性化。Netflix recommendation research 团队开发了分析观看历史的算法，用相关电影和节目填充用户的首页。同样地，音乐平台通过分析声学模式和用户收听行为来生成播放列表。

基于嵌入的视觉推荐#

现代推荐系统中的一项关键技术（尤其是针对视觉内容）涉及使用 embeddings。嵌入是高维空间中物品（如图像）的数字表示。视觉相似的物品将具有靠得很近的嵌入。

以下 Python 代码演示了如何使用预训练的 Ultralytics YOLO26 分类模型提取图像嵌入，并使用 PyTorch 计算它们的相似度。

import torch.nn.functional as F
from ultralytics import YOLO

# Load a YOLO26 classification model
model = YOLO("yolo26n-cls.pt")

# Generate embeddings for two images (returns a list of Results objects)
results = model.predict(["bus.jpg", "dog.jpg"], embed=[1000])

# Calculate cosine similarity between the two embeddings
# Higher score indicates greater visual similarity
similarity = F.cosine_similarity(results[0].probs.data, results[1].probs.data, dim=0)

print(f"Visual Similarity Score: {similarity.item():.4f}")