Glosariusz systemów uczących się: systemy rekomendacji

Zadbaj o dobrą organizację dzięki kolekcji Zapisuj i kategoryzuj treści zgodnie ze swoimi preferencjami.

Ta strona zawiera terminy słowniczka systemów systemowych. Wszystkie terminy słowniczka znajdziesz tutaj.

C

generowanie kandydatów

#recsystems

Początkowy zestaw rekomendacji wybranych przez system rekomendacji. Weźmy np. księgarnię, która oferuje 100 tys. tytułów. Na etapie generowania kandydatów tworzy się znacznie mniejszą listę odpowiednich książek dla danego użytkownika, na przykład 500. Jednak nawet 500 książek jest zbyt wiele, aby polecić ją użytkownikowi. Kolejne, droższe etapy systemu rekomendacji (np. ocena i pozycje w rankingu) ograniczają ten zestaw 500 do znacznie krótszego i bardziej użytecznego zestawu rekomendacji.

filtrowanie współpracy

#recsystems

Przewidywanie zainteresowań poszczególnych użytkowników na podstawie zainteresowań wielu innych użytkowników. Wspólne filtrowanie jest często stosowane w systemach rekomendacji.

I

zestaw elementów

#recsystems

W systemach rekomendacji matryca wektorów osadzających generowanych przez czynnik rozkładu, który zawiera ukryte sygnały każdego elementu. Każdy wiersz tablicy elementu zawiera wartość pojedynczego ukrytego obiektu dla wszystkich elementów. Rozważ na przykład system rekomendacji filmów. Każda kolumna na tablicy elementów reprezentuje jeden film. Utajone sygnały mogą wskazywać gatunki lub mogą być trudniej zinterpretować sygnały, które wiążą się ze złożonymi interakcjami między gatunku, gwiazdami, wiekiem filmu lub innymi czynnikami.

Tablica elementów ma tę samą liczbę kolumn, która jest uwzględniana w tabeli. Jeśli na przykład system rekomendacji filmów ocenia 10 000 tytułów, macierz elementów będzie zawierać 10 000 kolumn.

items

#recsystems

W systemie rekomendacji jednostki, które system poleca. Na przykład filmy to produkty polecane w sklepie, a pozycje polecane w księgarni.

M

współczynnik matrycy

#recsystems

W matematyce ten mechanizm służy do znajdowania matryc, których kropka jest przybliżona.

W systemach rekomendacji docelowa tabela często zawiera dane o użytkownikach i oceny elementów items. Na przykład docelowa tablica systemu rekomendacji filmów może wyglądać jak w przykładzie poniżej, gdzie dodatnie liczby całkowite to oceny użytkowników, a 0 oznacza, że użytkownik nie ocenił filmu:

  Casablanca Historia Filadelfii Czarna Pantera Wonder Woman Puzzle
Użytkownik 1 5,0 3,0 0.0 2,0 0.0
Użytkownik 2 4.0 0.0 0.0 1,0 5,0
Użytkownik 3 3,0 1,0 4.0 5,0 0.0

System rekomendacji filmów ma na celu przewidywanie ocen użytkowników w przypadku filmów bez oceny treści. Czy na przykład Użytkownik 1 polubi Czarną pantę?

Jedną z metod stosowanych w systemach rekomendacji jest wykorzystanie uwierzytelniania z użyciem macierzy do wygenerowania tych 2 matryc:

  • tabela użytkowników, która ma postać liczby użytkowników pomnożonej przez liczbę wymiarów.
  • Tablica elementów uformowana jako liczba wymiarów umieszczonych na stronie x liczba elementów.

Na przykład użycie współczynnika matrycy dla 3 użytkowników i 5 elementów może spowodować wyświetlenie takiej macierzy i zestawu elementów:

User Matrix                 Item Matrix

1.1   2.3           0.9   0.2   1.4    2.0   1.2
0.6   2.0           1.7   1.2   1.2   -0.1   2.1
2.5   0.5

Kropka macierzy i matryca elementów tworzy tablicę rekomendacji, która zawiera nie tylko oryginalne oceny użytkowników, ale także prognozy dotyczące filmów, których każdy użytkownik nie widział. Weźmy za przykład ocenę użytkownika Casablanca na poziomie 1 i 3,0. Kropka odpowiadająca tej komórce w tablicy rekomendacji powinna mieć około 5.0 i będzie wyglądać tak:

(1.1 * 0.9) + (2.3 * 1.7) = 4.9

Co ważniejsze, czy użytkownik 1 będzie podobał się Czarna Pantera? Przejście do produktu odpowiadającego pierwszemu wierszowi i trzeciej kolumny powoduje przewidywanie oceny 4,3:

(1.1 * 1.4) + (2.3 * 1.2) = 4.3

Czynnik matrycy zwykle powoduje utworzenie tablicy matrycowej użytkownika i produktu, która łącznie jest znacznie bardziej zwarta niż macierz docelowy.

C

system rekomendacji

#recsystems

System, który wybiera każdego użytkownika stosunkowo mały zestaw odpowiednich elementów z dużego korpusu. Na przykład system rekomendacji wideo może polecać 2 filmy ze 100 000 filmów, wybierając Casablanca i The Philadelphia Story dla jednego użytkownika, a Wonder Woman i Black Panther. System rekomendacji wideo może opierać swoje rekomendacje na takich czynnikach jak:

  • Filmy, które podobni użytkownicy ocenili lub obejrzeli.
  • Gatunek, reżyserzy, aktorzy, docelowa grupa demograficzna...

zmiana pozycji w rankingu

#recsystems

Ostatni etap systemu rekomendacji. W tym czasie uzyskane oceny mogą być ponownie oceniane zgodnie z innym algorytmem (zwykle innym niż ML). Ponowne ocenianie analizuje listę elementów wygenerowanych na etapie oceny, np.:

  • Usuwanie elementów, które użytkownik już kupił.
  • Wzmacnianie wyniku nowszych elementów.

s

ocena

#recsystems

Część systemu rekomendacji, która podaje wartość lub pozycję w rankingu dla każdego produktu wytwarzanego na etapie generowania kandydatów.

U

macierz użytkowników

#recsystems

W systemach rekomendacji wektor wbudowany generowany przez czynnik rozkładu, który zawiera ukryte sygnały o preferencjach użytkownika. Każdy wiersz tablicy użytkownika zawiera informacje o względnej sile różnych sygnałów ukrytych dla pojedynczego użytkownika. Rozważ na przykład system rekomendacji filmów. W tym systemie ukryte sygnały w tabeli użytkowników mogą reprezentować poszczególne zainteresowania określonych gatunków lub mogą być trudniejsze do interpretacji sygnałów, które wiążą się ze złożonymi interakcjami z wieloma czynnikami.

Tablica użytkowników ma kolumnę na każdy element ukryty i wiersz dla każdego użytkownika. Oznacza to, że macierz użytkowników ma taką samą liczbę wierszy jak kolumna docelowa, która jest brana pod uwagę. Na przykład w systemie rekomendacji filmów dla 1 000 000 użytkowników tabela będzie zawierać 1 000 000 wierszy.

W

ważone zmienne najmniejsze kwadraty (WALS)

#recsystems

Algorytm do minimalizacji funkcji docelowej podczas systemowania równania w systemach rekomendacji, który pozwala zmniejszyć wagę brakujących przykładów. Mechanizm WALS minimalizuje ważony kwadrat błędu błędu pomiędzy pierwotną matrycą a rekonstrukcją przez nakładanie różnic między wierszami i refaktoryzacją. Każdą z tych optymalizacji można rozwiązać za pomocą co najmniej kwadratowej optymalizacji. Szczegółowe informacje znajdziesz w kursie systemów rekomendacji.