A filtragem colaborativa é a tarefa de fazer previsões sobre os interesses de um usuário com base nos interesses de muitos outros usuários. Como exemplo, vejamos a tarefa da recomendação de filme. Imagine que temos 500.000 usuários e uma lista dos filmes que cada usuário assistiu (de um catálogo de 1.000.000 de filmes). Nosso objetivo é recomendar filmes aos usuários.
Para resolver esse problema, alguns métodos são necessários para determinar quais filmes são semelhantes entre si. Podemos atingir essa meta incorporando os filmes em um espaço de baixa dimensão criado para que filmes semelhantes estejam próximos.
Antes de descrever como podemos aprender o embedding, primeiro exploramos o tipo de qualidades que queremos que ele tenha e como representaremos os dados de treinamento para aprender o embedding.
Organize filmes em uma linha de número unidimensional
Para ajudar a desenvolver a intuição sobre embeddings, em um pedaço de papel, tente organizar os seguintes filmes em uma linha unidimensional para que os filmes mais próximos uns dos outros estejam mais relacionados:
| Filme | Classificação | Descrição |
|---|---|---|
| Bleu (em inglês) | Direita | Uma viúva francesa lamenta a perda do marido e da filha depois que elas morrem em um acidente de carro. |
| O Cavaleiro das Trevas Ressurge | PG-13 | Batman tenta lutar para salvar Gotham City da aniquilação nuclear nesta sequência de O Cavaleiro das Trevas, ambientado no universo da DC Comics. |
| Harry Potter e a Pedra Filosofal | PG | Um menino órfão descobre que é bruxo e se matricula na Escola de Magia e Bruxaria de Hogwarts, em que luta pela primeira vez contra o Senhor Voldemort. |
| Os Incríveis | PG | Uma família de super-heróis forçados a viver como civis nos subúrbios saem da aposentadoria para salvar a corrida de super-heróis de Síndrome e seu robô assassino. |
| Shrek (em inglês) | PG | Um ogro adorável e seu companheiro burro partiu em uma missão para resgatar a princesa Fiona, que é privada de um castelo por dragão. |
| Guerra nas Estrelas | PG | Luke Skywalker e Han Solo se unem a dois Androids para resgatar a Princesa Leia e salvar a galáxia. |
| The Triplets de Belleville | PG-13 | Quando o campeão profissional Champion é sequestrado durante o Tour de France, a avó e o cão acima do peso em busca de ajuda, com a ajuda de um trio de cantores de jazz idosos. |
| Memento | Direita | Uma amnésia tenta desesperadamente resolver o assassinato de sua esposa tatuando pistas sobre seu corpo. |
Clique no ícone de adição para encontrar uma possível solução (altamente imperfeita).
Figura 1. uma possível disposição unidimensional.
Embora esse embedding ajude a capturar o quanto o filme é voltado para crianças em comparação com adultos, há muitos outros aspectos de um filme que você gostaria de capturar ao fazer recomendações. Neste exemplo, adicionaremos uma segunda dimensão de embedding.
Organize filmes em um espaço bidimensional
Faça o mesmo exercício de antes, mas desta vez organize os mesmos filmes em um espaço bidimensional.
Clique no ícone de adição para ver outra possível solução.
Figura 2. uma possível disposição bidimensional
Com esse embedding bidimensional, definimos uma distância entre os filmes de forma que os filmes sejam próximos (e, portanto, inferidos de maneira similar) se eles forem igualmente parecidos na medida em que são voltados para crianças versus adultos, bem como o quanto eles são filmes de grande sucesso em comparação com filmes de arte. Essas são apenas duas das muitas características de filmes que podem ser importantes.
De modo mais geral, o que fizemos é mapear esses filmes em um espaço de incorporação, em que cada palavra é descrita por um conjunto bidimensional de coordenadas. Por exemplo, neste espaço, "Shrek" é mapeado para (-1.0, 0.95) e "Bleu" é mapeado para (0.65, -0.2). Em geral, ao aprender uma incorporação dimensional, cada filme é representado por números de valor real d, cada um fornecendo a coordenada em uma dimensão.
Neste exemplo, demos um nome a cada dimensão. Ao aprender embeddings, as dimensões individuais não são aprendidas com os nomes. Às vezes, podemos analisar os embeddings e atribuir significados semânticos às dimensões. Em outros casos, não podemos. Muitas vezes, cada uma dessas dimensões é chamada de dimensão atrasada, porque representa um recurso que não é explícito nos dados, mas inferido dela.
Em última análise, são as distâncias entre os filmes no espaço de embedding que são significativas, em vez dos valores de um único filme ao longo de qualquer dimensão.