Đây thực sự là một vấn đề tương đối nổi tiếng trong lĩnh vực học máy. Trong ~ 2006, Netflix đã cung cấp 1 triệu đô la cho thuật toán cung cấp sự cải thiện hợp lý nhất cho hệ thống đề xuất của họ. Lý thuyết về giải pháp chiến thắng được thảo luận ngắn gọn trong sách giáo khoa Caltech này về học máy giới thiệu.
Về cơ bản, một phương pháp học tập được sử dụng. Cụ thể, một loại pha trộn hoặc xếp chồng đã được sử dụng. Điều này là không cần thiết, nhưng loại trực quan. Để hiểu được trực giác của việc sử dụng các cách tiếp cận thống kê khác nhau một cách hài hòa, hãy xem xét các lý do khác nhau mà những người khác nhau thích cùng một bộ phim: tức là Joe có thể thích Topgun vì anh ấy thích phim hành động thập niên 80, trong khi Jane thích Topgun vì cô ấy thích phim có nhạc phim Kenny Loggins. Vì vậy, việc cả hai khán giả xem (và đánh giá bộ phim rất cao) không nhất thiết có nghĩa là họ sẽ thích những bộ phim khác có xác suất cao. Thuật toán dự đoán lý tưởng sẽ có thể đáp ứng những khác biệt này, ít nhất là trong một số khả năng.
Điều này có thể làm cho giải pháp nghe có vẻ khá đơn giản, nhưng việc cân bằng các thuật toán cạnh tranh và ưu tiên dự đoán tốt nhất cho từng trường hợp chắc chắn không đơn giản. Việc Netflix cung cấp một khoản tiền thưởng lớn như vậy sẽ khiến mức độ thách thức trở nên khá rõ ràng.
Nếu bạn chỉ mới bắt đầu học máy, kiểm tra các tài nguyên trên có thể hữu ích tùy thuộc vào mức độ quan tâm và nền tảng toán học của bạn. Vì vậy, hồi quy có thể sẽ hoạt động tốt đến tốt, nhưng hiệu suất tốt hơn đáng kể là có thể.