Damien (andell)
@andell.bsky.social
Student korean language.
Python Développeur.
J'aime la nature et les animaux. - 😍 Korea 나는 한국의 시골에 가고 싶다
Python Développeur.
J'aime la nature et les animaux. - 😍 Korea 나는 한국의 시골에 가고 싶다
Et en parlant entité, truc marrant, en description de la vidéo, il y a "personnes mentionnés" on voit
@thomascubel.com
et oui on t'a mentionné dans la vidéo ;)
@thomascubel.com
et oui on t'a mentionné dans la vidéo ;)
January 29, 2025 at 11:01 AM
Et en parlant entité, truc marrant, en description de la vidéo, il y a "personnes mentionnés" on voit
@thomascubel.com
et oui on t'a mentionné dans la vidéo ;)
@thomascubel.com
et oui on t'a mentionné dans la vidéo ;)
On a parlé #googlediscover du SaaS
@1492_Vision
mais aussi entité ...
Si vous voulez les quelques images (slides) sur les entités que j'avais préparé, n'hésitez pas à me le demander.
@1492_Vision
mais aussi entité ...
Si vous voulez les quelques images (slides) sur les entités que j'avais préparé, n'hésitez pas à me le demander.
January 29, 2025 at 11:01 AM
On a parlé #googlediscover du SaaS
@1492_Vision
mais aussi entité ...
Si vous voulez les quelques images (slides) sur les entités que j'avais préparé, n'hésitez pas à me le demander.
@1492_Vision
mais aussi entité ...
Si vous voulez les quelques images (slides) sur les entités que j'avais préparé, n'hésitez pas à me le demander.
👉 Les relations de contenu identifient les intérêts thématiques et contextuels pour fournir des suggestions adaptées. Les relations de contenu identifient les thématiques qui comptent.
December 2, 2024 at 4:04 PM
👉 Les relations de contenu identifient les intérêts thématiques et contextuels pour fournir des suggestions adaptées. Les relations de contenu identifient les thématiques qui comptent.
👉 L'algo ajuste la pertinence des contenus selon le temps écoulé et les cycles d’activité utilisateur. Il modélise la pertinence des actions passées.
December 2, 2024 at 4:04 PM
👉 L'algo ajuste la pertinence des contenus selon le temps écoulé et les cycles d’activité utilisateur. Il modélise la pertinence des actions passées.
Le contexte global : Les relations thématiques entre contenus permettent de personnaliser les recommandations au-delà des simples clics ou vues.
8 - En résumé :
8 - En résumé :
December 2, 2024 at 4:04 PM
Le contexte global : Les relations thématiques entre contenus permettent de personnaliser les recommandations au-delà des simples clics ou vues.
8 - En résumé :
8 - En résumé :
Les transitions entre intérêts :
Si un utilisateur passe d’un contenu sur la "technologie" à un contenu sur la "finance", cela peut indiquer un intérêt émergent pour des sujets liés (par exemple, "technologie financière").
Si un utilisateur passe d’un contenu sur la "technologie" à un contenu sur la "finance", cela peut indiquer un intérêt émergent pour des sujets liés (par exemple, "technologie financière").
December 2, 2024 at 4:04 PM
Les transitions entre intérêts :
Si un utilisateur passe d’un contenu sur la "technologie" à un contenu sur la "finance", cela peut indiquer un intérêt émergent pour des sujets liés (par exemple, "technologie financière").
Si un utilisateur passe d’un contenu sur la "technologie" à un contenu sur la "finance", cela peut indiquer un intérêt émergent pour des sujets liés (par exemple, "technologie financière").
7 - Les relations de contenu aident à comprendre :
Les préférences d’un utilisateur :
Si un utilisateur consomme souvent des contenus dans un domaine spécifique (par exemple, "technologie"), le modèle peut recommander des contenus connexes.
Les préférences d’un utilisateur :
Si un utilisateur consomme souvent des contenus dans un domaine spécifique (par exemple, "technologie"), le modèle peut recommander des contenus connexes.
December 2, 2024 at 4:04 PM
7 - Les relations de contenu aident à comprendre :
Les préférences d’un utilisateur :
Si un utilisateur consomme souvent des contenus dans un domaine spécifique (par exemple, "technologie"), le modèle peut recommander des contenus connexes.
Les préférences d’un utilisateur :
Si un utilisateur consomme souvent des contenus dans un domaine spécifique (par exemple, "technologie"), le modèle peut recommander des contenus connexes.
Si un utilisateur a des habitudes régulières, cela peut signaler des cycles (par exemple, lire des articles chaque matin à 8h).
Décadence de pertinence :
L’intérêt pour certains types de contenu diminue avec le temps, et cela aide à modéliser cette décroissance.
Décadence de pertinence :
L’intérêt pour certains types de contenu diminue avec le temps, et cela aide à modéliser cette décroissance.
December 2, 2024 at 4:04 PM
Si un utilisateur a des habitudes régulières, cela peut signaler des cycles (par exemple, lire des articles chaque matin à 8h).
Décadence de pertinence :
L’intérêt pour certains types de contenu diminue avec le temps, et cela aide à modéliser cette décroissance.
Décadence de pertinence :
L’intérêt pour certains types de contenu diminue avec le temps, et cela aide à modéliser cette décroissance.
Si un contenu a été consommé il y a longtemps, il est moins probable qu’il influence les futures recommandations.
Par exemple, un article lu il y a 3 mois a moins de poids qu’un article lu hier.
Régularité dans le comportement :
Par exemple, un article lu il y a 3 mois a moins de poids qu’un article lu hier.
Régularité dans le comportement :
December 2, 2024 at 4:04 PM
Si un contenu a été consommé il y a longtemps, il est moins probable qu’il influence les futures recommandations.
Par exemple, un article lu il y a 3 mois a moins de poids qu’un article lu hier.
Régularité dans le comportement :
Par exemple, un article lu il y a 3 mois a moins de poids qu’un article lu hier.
Régularité dans le comportement :
Alors la prochaine recommandation doit correspondre à son habitude (un contenu dramatique ou informatif à cette heure).
L'algo détecte ce schéma temporel et ajuste la recommandation pour un contenu adapté au soir.
6 - Impact immédiat vs. ancien :
L'algo détecte ce schéma temporel et ajuste la recommandation pour un contenu adapté au soir.
6 - Impact immédiat vs. ancien :
December 2, 2024 at 4:04 PM
Alors la prochaine recommandation doit correspondre à son habitude (un contenu dramatique ou informatif à cette heure).
L'algo détecte ce schéma temporel et ajuste la recommandation pour un contenu adapté au soir.
6 - Impact immédiat vs. ancien :
L'algo détecte ce schéma temporel et ajuste la recommandation pour un contenu adapté au soir.
6 - Impact immédiat vs. ancien :
Lundi soir, 20h00 : Épisode d'une série dramatique ("Breaking Bad").
Mardi soir, 21h00 : Documentaire sur la chimie ("Exploring Chemistry").
Mercredi soir, 20h30 : Épisode d'une série policière ("Better Call Saul").
Mardi soir, 21h00 : Documentaire sur la chimie ("Exploring Chemistry").
Mercredi soir, 20h30 : Épisode d'une série policière ("Better Call Saul").
December 2, 2024 at 4:04 PM
Lundi soir, 20h00 : Épisode d'une série dramatique ("Breaking Bad").
Mardi soir, 21h00 : Documentaire sur la chimie ("Exploring Chemistry").
Mercredi soir, 20h30 : Épisode d'une série policière ("Better Call Saul").
Mardi soir, 21h00 : Documentaire sur la chimie ("Exploring Chemistry").
Mercredi soir, 20h30 : Épisode d'une série policière ("Better Call Saul").
5 - Rôle des relations temporelles et de contenu :
Relations temporelles :
L'utilisateur regarde du contenu chaque soir à peu près à la même heure. Cela indique une habitude ou un cycle régulier.
Si la séquence montre une consommation quotidienne de contenus :
Relations temporelles :
L'utilisateur regarde du contenu chaque soir à peu près à la même heure. Cela indique une habitude ou un cycle régulier.
Si la séquence montre une consommation quotidienne de contenus :
December 2, 2024 at 4:04 PM
5 - Rôle des relations temporelles et de contenu :
Relations temporelles :
L'utilisateur regarde du contenu chaque soir à peu près à la même heure. Cela indique une habitude ou un cycle régulier.
Si la séquence montre une consommation quotidienne de contenus :
Relations temporelles :
L'utilisateur regarde du contenu chaque soir à peu près à la même heure. Cela indique une habitude ou un cycle régulier.
Si la séquence montre une consommation quotidienne de contenus :
- "Accessoires pour l'hiver".
- "Magasins de vêtements à proximité".
L'algo renforce les relations thématiques et recommande des contenus similaires ou complémentaires.
Recommandation probable :Un article ou une vidéo comme "Comment choisir les meilleurs gants pour l'hiver ?".
- "Magasins de vêtements à proximité".
L'algo renforce les relations thématiques et recommande des contenus similaires ou complémentaires.
Recommandation probable :Un article ou une vidéo comme "Comment choisir les meilleurs gants pour l'hiver ?".
December 2, 2024 at 4:04 PM
- "Accessoires pour l'hiver".
- "Magasins de vêtements à proximité".
L'algo renforce les relations thématiques et recommande des contenus similaires ou complémentaires.
Recommandation probable :Un article ou une vidéo comme "Comment choisir les meilleurs gants pour l'hiver ?".
- "Magasins de vêtements à proximité".
L'algo renforce les relations thématiques et recommande des contenus similaires ou complémentaires.
Recommandation probable :Un article ou une vidéo comme "Comment choisir les meilleurs gants pour l'hiver ?".
Relations de contenu : Les trois contenus précédents traitent de mode et vêtements d'hiver. Le modèle reconnaît une thématique claire.
Le contexte sémantique des mots-clés, comme "tendances", "styliser", et "meilleurs manteaux", aide à prédire que l'utilisateur pourrait être intéressé par :
Le contexte sémantique des mots-clés, comme "tendances", "styliser", et "meilleurs manteaux", aide à prédire que l'utilisateur pourrait être intéressé par :
December 2, 2024 at 4:04 PM
Relations de contenu : Les trois contenus précédents traitent de mode et vêtements d'hiver. Le modèle reconnaît une thématique claire.
Le contexte sémantique des mots-clés, comme "tendances", "styliser", et "meilleurs manteaux", aide à prédire que l'utilisateur pourrait être intéressé par :
Le contexte sémantique des mots-clés, comme "tendances", "styliser", et "meilleurs manteaux", aide à prédire que l'utilisateur pourrait être intéressé par :
L'algo réduit l'importance des interactions du matin et donne plus de poids à la dynamique d'intérêt global ("mode en hiver") pour une recommandation adaptée au moment.
December 2, 2024 at 4:04 PM
L'algo réduit l'importance des interactions du matin et donne plus de poids à la dynamique d'intérêt global ("mode en hiver") pour une recommandation adaptée au moment.
Les interactions courtes entre 8h00 et 9h00 (5 minutes entre la lecture et la vidéo, 55 minutes avant l'article suivant) suggèrent un intérêt actif pour la mode d'hiver à ce moment-là.
December 2, 2024 at 4:04 PM
Les interactions courtes entre 8h00 et 9h00 (5 minutes entre la lecture et la vidéo, 55 minutes avant l'article suivant) suggèrent un intérêt actif pour la mode d'hiver à ce moment-là.
4 - Exemple Détaillé :
Comment les relations temporelles les relations de contenu aident :
Relations temporelles :
Le dernier contenu consommé remonte à 9h du matin, donc il y a un long intervalle Cela indique que les interactions du matin sont peut-être moins pertinentes à ce moment-là.
Comment les relations temporelles les relations de contenu aident :
Relations temporelles :
Le dernier contenu consommé remonte à 9h du matin, donc il y a un long intervalle Cela indique que les interactions du matin sont peut-être moins pertinentes à ce moment-là.
December 2, 2024 at 4:04 PM
4 - Exemple Détaillé :
Comment les relations temporelles les relations de contenu aident :
Relations temporelles :
Le dernier contenu consommé remonte à 9h du matin, donc il y a un long intervalle Cela indique que les interactions du matin sont peut-être moins pertinentes à ce moment-là.
Comment les relations temporelles les relations de contenu aident :
Relations temporelles :
Le dernier contenu consommé remonte à 9h du matin, donc il y a un long intervalle Cela indique que les interactions du matin sont peut-être moins pertinentes à ce moment-là.
3 - Combinaison entre les relations temporelles et de contenu
Une pondération temporelle : Plus le temps passe, plus les interactions anciennes sont "oubliées" ou pondérées différemment.
Une continuité thématique : Le modèle comprend les types de contenu que l'utilisateur consomme régulièrement.
Une pondération temporelle : Plus le temps passe, plus les interactions anciennes sont "oubliées" ou pondérées différemment.
Une continuité thématique : Le modèle comprend les types de contenu que l'utilisateur consomme régulièrement.
December 2, 2024 at 4:04 PM
3 - Combinaison entre les relations temporelles et de contenu
Une pondération temporelle : Plus le temps passe, plus les interactions anciennes sont "oubliées" ou pondérées différemment.
Une continuité thématique : Le modèle comprend les types de contenu que l'utilisateur consomme régulièrement.
Une pondération temporelle : Plus le temps passe, plus les interactions anciennes sont "oubliées" ou pondérées différemment.
Une continuité thématique : Le modèle comprend les types de contenu que l'utilisateur consomme régulièrement.
Il capture ces relations en représentant chaque contenu comme un vecteur et en apprenant à détecter les similitudes ou les transitions pertinentes entre ces vecteurs.
December 2, 2024 at 4:04 PM
Il capture ces relations en représentant chaque contenu comme un vecteur et en apprenant à détecter les similitudes ou les transitions pertinentes entre ces vecteurs.
Les relations thématiques ou sémantiques entre les contenus (par exemple, des mots-clés similaires ou une catégorie commune) aident à prédire ce qui l'intéressera ensuite.
December 2, 2024 at 4:04 PM
Les relations thématiques ou sémantiques entre les contenus (par exemple, des mots-clés similaires ou une catégorie commune) aident à prédire ce qui l'intéressera ensuite.
2. Relations de contenu 🛠️
Le type et le contenu des interactions précédentes déterminent souvent les futures actions. Par exemple :
Si un utilisateur lit plusieurs articles sur le même sujet (par exemple, cuisine coréenne), il est probable qu'il continue à explorer des contenus similaires.
Le type et le contenu des interactions précédentes déterminent souvent les futures actions. Par exemple :
Si un utilisateur lit plusieurs articles sur le même sujet (par exemple, cuisine coréenne), il est probable qu'il continue à explorer des contenus similaires.
December 2, 2024 at 4:04 PM
2. Relations de contenu 🛠️
Le type et le contenu des interactions précédentes déterminent souvent les futures actions. Par exemple :
Si un utilisateur lit plusieurs articles sur le même sujet (par exemple, cuisine coréenne), il est probable qu'il continue à explorer des contenus similaires.
Le type et le contenu des interactions précédentes déterminent souvent les futures actions. Par exemple :
Si un utilisateur lit plusieurs articles sur le même sujet (par exemple, cuisine coréenne), il est probable qu'il continue à explorer des contenus similaires.
Décadence d'intérêt :
Les contenus plus anciens ou éloignés dans le temps sont souvent moins pertinents, et l'algo permet de pondérer l'importance des interactions passées.
il ajuste la "mémoire" de l'utilisateur en fonction du temps écoulé entre les interactions.
Les contenus plus anciens ou éloignés dans le temps sont souvent moins pertinents, et l'algo permet de pondérer l'importance des interactions passées.
il ajuste la "mémoire" de l'utilisateur en fonction du temps écoulé entre les interactions.
December 2, 2024 at 4:04 PM
Décadence d'intérêt :
Les contenus plus anciens ou éloignés dans le temps sont souvent moins pertinents, et l'algo permet de pondérer l'importance des interactions passées.
il ajuste la "mémoire" de l'utilisateur en fonction du temps écoulé entre les interactions.
Les contenus plus anciens ou éloignés dans le temps sont souvent moins pertinents, et l'algo permet de pondérer l'importance des interactions passées.
il ajuste la "mémoire" de l'utilisateur en fonction du temps écoulé entre les interactions.
Comportement cyclique :
Par exemple, un utilisateur qui consulte des articles sur les nouvelles technologiques tous les matins pourrait manifester un comportement prévisible basé sur le temps.
Par exemple, un utilisateur qui consulte des articles sur les nouvelles technologiques tous les matins pourrait manifester un comportement prévisible basé sur le temps.
December 2, 2024 at 4:04 PM
Comportement cyclique :
Par exemple, un utilisateur qui consulte des articles sur les nouvelles technologiques tous les matins pourrait manifester un comportement prévisible basé sur le temps.
Par exemple, un utilisateur qui consulte des articles sur les nouvelles technologiques tous les matins pourrait manifester un comportement prévisible basé sur le temps.
Fréquence d'interactions :
Si un utilisateur consulte du contenu toutes les heures, cela pourrait indiquer un intérêt actif.
Si le dernier intervalle est inhabituellement long, cela peut signaler une perte d'intérêt ou un changement dans ses habitudes.
Si un utilisateur consulte du contenu toutes les heures, cela pourrait indiquer un intérêt actif.
Si le dernier intervalle est inhabituellement long, cela peut signaler une perte d'intérêt ou un changement dans ses habitudes.
December 2, 2024 at 4:04 PM
Fréquence d'interactions :
Si un utilisateur consulte du contenu toutes les heures, cela pourrait indiquer un intérêt actif.
Si le dernier intervalle est inhabituellement long, cela peut signaler une perte d'intérêt ou un changement dans ses habitudes.
Si un utilisateur consulte du contenu toutes les heures, cela pourrait indiquer un intérêt actif.
Si le dernier intervalle est inhabituellement long, cela peut signaler une perte d'intérêt ou un changement dans ses habitudes.