Léim go dtí an príomhábhar
Gaeilge— Roghnaigh teanga
Roghchlár

Moltaí Pearsantaithe

Ceacht 19 as 22 Nuashonraithe 29 Iúil 2026 Forbróir
Ar an leathanach seo
  1. Cuspóirí
  2. An Prionsabal: Is ionann Cosúlacht agus Moladh
  3. Moladh Bunaithe ar Ábhar
  4. Próifíl Úsáideora ón Stair
  5. Moladh le Ceist Téacs
  6. Éagsúlú Moltaí
  7. Príomhphointí

Cuspóirí

  • Córas molta a thógáil bunaithe ar leabaithe
  • Moltaí bunaithe ar ábhar agus bunaithe ar úsáideoir a chur i bhfeidhm
  • An fhadhb tosaigh fhuair (cold start) agus éagsúlacht a láimhseáil

An Prionsabal: Is ionann Cosúlacht agus Moladh

Inneall molta clasaiceach breathnaíonn sé ar iompar: “Daoine a léigh an t-alt seo, léigh siad an ceann sin freisin.” Teastaíonn go leor tráchta uaidh sular féidir leis aon rud úsáideach a rá—is é seo an fhadhb tosaigh fhuair, a bhuaileann catalóga nua agus ailt a foilsíodh ar maidin araon.

Scipeálann an cur chuige leabaithe an fanacht seo. Má thaitin alt le húsáideoir, molann tú na cinn a bhfuil na leabaithe is gaire acu. Is moladh bunaithe ar ábhar é seo: braitheann sé ar an ábhar, ní ar iompar úsáideoirí eile. Tá leabaithe ag alt a foilsíodh deich nóiméad ó shin, nach bhfuil oscailte ag aon léitheoir fós, agus is féidir é a mholadh láithreach.

Moladh Bunaithe ar Ábhar

Meascann an catalóg thíos dhá shaol d’aon ghnó—foghlaim mheaisín ar thaobh amháin, innealtóireacht bhogearraí ar an taobh eile—ionas go bhfuil na torthaí inchruthaithe. Ionchódaítear gach alt trí a theideal agus a chuid ábhair a chumasc: gabhann an teideal an t-ábhar i mbriathar beag, soláthraíonn an t-ábhar an foclóir, agus laghdaíonn úsáid ceann amháin gan an ceann eile cáilíocht na gcomharsan a fhaightear.

Is sa líne scores[idx] = -1 atá an cleas. Gan é, ba é an t-alt is cosúla le halt ná é féin i gcónaí, le scór 1.0—agus bheadh tú ag moladh do léitheoir an rud a chríochnaigh siad díreach.

from openai import OpenAI
import numpy as np

client = OpenAI()

# Article catalog
articles = [
    {"id": "a1", "titre": "Introduction au machine learning",
     "contenu": "Le ML permet aux machines d'apprendre à partir de données..."},
    {"id": "a2", "titre": "Deep learning avec PyTorch",
     "contenu": "PyTorch est un framework de deep learning flexible..."},
    {"id": "a3", "titre": "Déployer une API REST avec FastAPI",
     "contenu": "FastAPI est un framework Python pour créer des APIs..."},
    {"id": "a4", "titre": "Les bases de PostgreSQL",
     "contenu": "PostgreSQL est un SGBD relationnel open source..."},
    {"id": "a5", "titre": "Réseaux de neurones convolutifs",
     "contenu": "Les CNN sont utilisés pour la vision par ordinateur..."},
    {"id": "a6", "titre": "NLP avec les transformers",
     "contenu": "Les transformers ont révolutionné le traitement du langage..."},
]

# Index the catalog
textes = [f"{a['titre']}. {a['contenu']}" for a in articles]
response = client.embeddings.create(
    input=textes, model="text-embedding-3-large"
)
catalogue_embs = np.array(
    [d.embedding for d in sorted(response.data, key=lambda x: x.index)]
)

def recommander_similaires(
    article_id: str,
    k: int = 3
) -> list[dict]:
    """Recommends the k most similar articles."""
    idx = next(i for i, a in enumerate(articles) if a["id"] == article_id)
    article_emb = catalogue_embs[idx]

    # Similarity with all other articles
    scores = catalogue_embs @ article_emb
    scores[idx] = -1  # Exclude the article itself

    top_k = np.argsort(scores)[-k:][::-1]
    return [
        {"article": articles[i], "score": float(scores[i])}
        for i in top_k
    ]

# A user reads "Introduction to ML"
recos = recommander_similaires("a1", k=3)
print("You read: Introduction au machine learning")
print("Recommendations:")
for r in recos:
    print(f"  [{r['score']:.3f}] {r['article']['titre']}")

Próifíl Úsáideora ón Stair

Cuireann moladh bunaithe ar alt amháin an léitheoir i ngleic go tapa. Chun a dturas iomlán a chur san áireamh, tógann tú veicteoir próifíle trí leabaithe na n-alt a d’fhéach siad a chomhcheangal: léiríonn an pointe meánach seo a leasanna sa spás céanna leis an gcatalóg, agus ansin cuardaíonn tú na hailt is gaire don phointe seo.

Mar sin féin, ní chóir go mbeadh an meáchan céanna ag léitheoireacht ó shé mhí ó shin agus atá ag cinn inné. Láimhseálann meáchanú na huaire é seo: déanann an fachtóir 0.5 ** (n - 1 - i) leathú ar an meáchan ag gach céim ar ais sa stair. Feicfidh léitheoir a lean foghlaim mheaisín ar feadh i bhfad ach a d’aistrigh go APIanna le déanaí go n-aistríonn a chuid moltaí laistigh de roinnt alt in ionad fanacht reoite. Tugann an normalú deiridh an phróifíl ar ais chuig an sféar aonaid, coinníoll chun go mbeidh an toradh poncúil leis an gcatalóg ina chosúlacht chomhshínigh cheart.

def creer_profil_utilisateur(
    articles_consultes: list[str],
    poids_recency: bool = True
) -> np.ndarray:
    """Creates a profile vector from history."""
    indices = [
        i for i, a in enumerate(articles)
        if a["id"] in articles_consultes
    ]

    if not indices:
        return np.zeros(catalogue_embs.shape[1])

    embs = catalogue_embs[indices]

    if poids_recency:
        # Recent articles count more
        n = len(indices)
        poids = np.array([0.5 ** (n - 1 - i) for i in range(n)])
        poids /= poids.sum()
        profil = np.average(embs, axis=0, weights=poids)
    else:
        profil = np.mean(embs, axis=0)

    # Normalize
    profil /= np.linalg.norm(profil)
    return profil

def recommander_pour_utilisateur(
    articles_consultes: list[str],
    k: int = 3
) -> list[dict]:
    """Recommends articles based on the user profile."""
    profil = creer_profil_utilisateur(articles_consultes)

    scores = catalogue_embs @ profil
    # Exclude already viewed articles
    for i, a in enumerate(articles):
        if a["id"] in articles_consultes:
            scores[i] = -1

    top_k = np.argsort(scores)[-k:][::-1]
    return [
        {"article": articles[i], "score": float(scores[i])}
        for i in top_k
    ]

# User who read ML and deep learning
recos = recommander_pour_utilisateur(["a1", "a2"], k=3)
print("History: ML + PyTorch")
print("Recommendations:")
for r in recos:
    print(f"  [{r['score']:.3f}] {r['article']['titre']}")

Moladh le Ceist Téacs

Déanann an phróifíl iompraíochta neamhaird ar rud amháin atá ar eolas ag an úsáideoir níos fearr ná agatsa: cad atá á lorg acu inniu. Ós rud é go bhfuil an catalóg ionchódaithe cheana féin, ní gá duit ach frása saortéacs a ionchódú chun ceist a chur ar an spás céanna. Tugann “Ba mhaith liom foghlaim conas APIanna a chruthú” an t-alt FastAPI chun tosaigh, fiú mura bhfuil ach foghlaim mheaisín i stair an léitheora. Is é seo freisin an t-aon rogha atá ar fáil do chuairteoir nach bhfuil a fhios agat faoi.

def recommander_par_interet(
    description: str,
    k: int = 3
) -> list[dict]:
    """Recommends articles based on an interest description."""
    query_emb = client.embeddings.create(
        input=description,
        model="text-embedding-3-large"
    ).data[0].embedding

    scores = catalogue_embs @ np.array(query_emb)
    top_k = np.argsort(scores)[-k:][::-1]

    return [
        {"article": articles[i], "score": float(scores[i])}
        for i in top_k
    ]

# "I want to learn how to create APIs"
recos = recommander_par_interet("créer des APIs web en Python")
for r in recos:
    print(f"  [{r['score']:.3f}] {r['article']['titre']}")

Éagsúlú Moltaí

Cruthaíonn sórtáil de réir cosúlachta íon locht le feiceáil sa táirgeadh: tá an cúig mholadh cosúil le chéile. Faigheann léitheoir an ailt CNN cúig leagan de radharc ríomhaireachta, nuair a d’fhéadfadh an dara nó an tríú moladh an doras a oscailt do thraansfhoirmeoirí.

Deasaíonn MMR (Maximal Marginal Relevance) é seo trí ailt a roghnú ceann ar cheann: ag gach casadh, roghnaíonn sé an ceann a uasmhéadaíonn ábharthacht don cheist, lúide an uasmhéid iomarcaíochta leis an méid atá roghnaithe cheana. Socraíonn an lambda_param an comhréir—ag 1.0 faigheann tú sórtáil chlasaiceach, ag 0.5 tacaíonn tú go láidir le héagsúlacht, agus tugann an luach réamhshocraithe 0.7 liosta ábhartha a bhfuil anál ann.

def recommander_divers(
    query_emb: np.ndarray,
    k: int = 5,
    lambda_param: float = 0.7
) -> list[int]:
    """MMR: balances relevance and diversity."""
    scores = catalogue_embs @ query_emb
    candidats = list(range(len(articles)))
    selectionnes = []

    for _ in range(k):
        if not candidats:
            break

        meilleur_score = -float("inf")
        meilleur_idx = -1

        for idx in candidats:
            # Relevance
            pertinence = scores[idx]

            # Max redundancy with already selected
            if selectionnes:
                sims_selectionnes = [
                    float(np.dot(catalogue_embs[idx], catalogue_embs[s]))
                    for s in selectionnes
                ]
                redondance = max(sims_selectionnes)
            else:
                redondance = 0

            # MMR Score
            mmr_score = (
                lambda_param * pertinence
                - (1 - lambda_param) * redondance
            )

            if mmr_score > meilleur_score:
                meilleur_score = mmr_score
                meilleur_idx = idx

        selectionnes.append(meilleur_idx)
        candidats.remove(meilleur_idx)

    return selectionnes

Príomhphointí

  • Ceadaíonn leabaithe moladh de réir cosúlachta ábhair
  • Tógtar próifíl an úsáideora trí mheán a dhéanamh ar leabaithe a d’fhéachtar
  • Tugann meáchanú na huaire níos mó meáchain do radhairc le déanaí
  • Déanann MMR éagsúlú ar mholtaí trí phionós a ghearradh ar iomarcaíocht