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项目的偏好。这些智能系统是现代人工智能 (AI) 应用的基石，通过策划个性化建议，帮助用户在网上过量的内容中进行筛选。通过分析大数据中的模式——例如购买历史、观看习惯和用户评分——推荐引擎增强了用户参与度并简化了决策过程。它们在选择多样性超过用户手动评估能力的环境中被广泛使用。

Link to this section推荐的核心机制#

推荐引擎通常采用特定的机器学习 (ML) 策略来生成相关的建议。三种主要的方法包括：

协同过滤： 该方法基于一个假设，即过去达成一致的用户在未来也会达成一致。它利用交互数据识别用户之间（基于用户）或项目之间（基于项目）的相似性。例如，如果用户 A 和用户 B 都喜欢“电影 X”，系统会假设如果用户 B 喜欢“电影 Y”，那么用户 A 也可能喜欢它。
基于内容的过滤： 这种方法基于项目属性，推荐与用户过去喜欢过的项目相似的项目。它需要分析项目本身的特征，通常使用自然语言处理 (NLP) 处理文本描述，或使用计算机视觉 (CV) 分析产品图像。
混合模型： 通过结合协同过滤和基于内容的过滤，混合推荐系统旨在克服单一方法的局限性，例如无法推荐没有用户交互历史的新项目。

Link to this section实际应用#

推荐系统的实际效用跨越了各个行业，推动了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“购买此商品的客户也购买了...”列表来驱动 AI 在零售中的应用，从而显著增加交叉销售机会。
媒体流媒体： 服务在很大程度上依赖于个性化。Netflix 推荐研究团队开发的算法会分析观看历史，以用相关的电影和节目填充用户主页。同样，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。

Link to this section基于嵌入的视觉推荐#

现代推荐系统中的一项关键技术，特别是在视觉内容方面，涉及使用嵌入。嵌入是项目（如图像）在高维空间中的数值表示。视觉相似的项目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}")

Link to this section推荐系统与相关概念#

区分推荐系统与其通常采用的基础技术非常重要：

向量搜索： 这是一种用于在向量数据库中查找与查询在数学上最接近的项目的检索方法。虽然推荐系统使用向量搜索来查找相似产品，但推荐系统本身包含了用户画像和排序的更广泛逻辑。你可以通过我们的相似度搜索指南进一步了解这一点。
语义搜索： 与可能依赖行为重叠的基础推荐不同，语义搜索专注于理解查询背后的含义。推荐引擎可能会使用语义搜索在用户浏览特定类别时解读其意图。