Bu sayfa, Recommendation Systems sözlük terimlerini içerir. Tüm sözlük terimleri için burayı tıklayın.
C
aday oluşturma
Bir öneri sistemi tarafından seçilen ilk öneri grubu. Örneğin, 100.000 kitap satan bir kitapçıyı düşünelim. Aday oluşturma aşamasında belirli bir kullanıcıya uygun kitapların (örneğin 500) çok daha küçük bir listesi oluşturulur. Ancak 500 kitap bile bir kullanıcıya önerilemeyecek kadar çok fazla demektir. Öneri sisteminin sonraki ve daha pahalı hale gelen aşamaları (ör. puanlama ve sıralama), bu 500 öneriyi çok daha küçük ve daha faydalı bir öneri grubuna indirir.
ortak çalışmaya dayalı filtreleme
Bir kullanıcının ilgi alanları hakkında, diğer birçok kullanıcının ilgi alanlarına dayalı tahminlerde bulunma. İş birliğine dayalı filtreleme, genellikle öneri sistemlerinde kullanılır.
İ
öğe matrisi
Öneri sistemlerinde, her bir öğe hakkında gizli sinyaller barındıran matrisi çarpanlara ayırma tarafından oluşturulan bir yerleştirme vektörleri matrisi. Öğe matrisinin her satırı, tüm öğeler için tek bir gizli özelliğin değerini içerir. Örneğin, bir film öneri sistemi düşünün. Öğe matrisindeki her sütun tek bir filmi temsil eder. Gizli sinyaller türleri temsil edebilir veya tür, yıldızlar, film yaşı veya diğer faktörler arasındaki karmaşık etkileşimler içeren, anlaşılması daha zor sinyaller olabilir.
Öğe matrisi, çarpanlara ayrılmış hedef matrisle aynı sayıda sütuna sahiptir. Örneğin, 10.000 film adını değerlendiren bir film önerisi sisteminde öğe matrisinde 10.000 sütun olur.
items
Öneri sisteminde, sistemin önerdiği varlıklardır. Örneğin, videolar bir video mağazasının önerdiği öğeler, kitaplar ise bir kitabevinin önerdiği öğelerdir.
M
matrisi çarpanlara ayırma
Matematikte, nokta çarpımı bir hedef matrise yakın olan matrisleri bulmak için kullanılan bir mekanizma.
Öneri sistemlerinde hedef matris genellikle kullanıcıların öğeler puanlarını tutar. Örneğin, bir film öneri sisteminin hedef matrisi aşağıdaki gibi görünebilir: Burada pozitif tam sayılar kullanıcı puanlarıdır ve 0, kullanıcının filmi değerlendirmediği anlamına gelir:
| Kazablanka | Philadelphia'nın Hikayesi | Black Panther | Wonder Woman | Ucuz Roman | |
|---|---|---|---|---|---|
| 1. Kullanıcı | 5,0 | 3,0 | 0,0 | 2,0 | 0,0 |
| 2. Kullanıcı | 4.0 | 0,0 | 0,0 | 1.0 | 5,0 |
| 3. Kullanıcı | 3,0 | 1.0 | 4.0 | 5,0 | 0,0 |
Film öneri sistemi, derecelendirilmemiş filmlere ilişkin kullanıcı puanlarını tahmin etmeyi amaçlar. Örneğin, 1. Kullanıcı Black Panther'ı sevecek mi?
Öneri sistemlerine yönelik yaklaşımlardan biri, aşağıdaki iki matrisi oluşturmak için matrisi çarpanlara ayırmadır:
- Kullanıcı sayısı X yerleştirme boyutlarının sayısı şeklinde şekillenen bir kullanıcı matrisi.
- Yerleştirme boyutları X öğe sayısı şeklinde şekillendirilen bir öğe matrisi.
Örneğin, üç kullanıcımız ve beş öğemiz için matrisi çarpanlara ayırma, aşağıdaki kullanıcı matrisini ve öğe matrisini elde edebilir:
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
Kullanıcı matrisi ve öğe matrisinin nokta çarpımı, hem orijinal kullanıcı puanlarını hem de her kullanıcının izlemediği filmlerle ilgili tahminleri içeren bir öneri matrisi sağlar. Örneğin, Kullanıcı 1'in Kazablanka'daki 5, 0 puanlı değerlendirmesini ele alalım. Öneri matrisindeki bu hücreye karşılık gelen nokta çarpımının 5, 0 civarında olması beklenir.Değer şudur:
(1.1 * 0.9) + (2.3 * 1.7) = 4.9
Daha da önemlisi, 1. Kullanıcı Black Panther'ı sevecek mi? İlk satıra ve üçüncü sütuna karşılık gelen nokta çarpımını almak, 4,3'lük bir tahmini puan verir:
(1.1 * 1.4) + (2.3 * 1.2) = 4.3
Matrisi çarpanlara ayırma, genellikle bir araya geldiğinde hedef matristen çok daha kompakt olan bir kullanıcı matrisi ve öğe matrisi elde edilmesini sağlar.
R
öneri sistemi
Her kullanıcı için büyük bir topluluktan nispeten az sayıda istenen öğe seçen sistem. Örneğin, bir video öneri sistemi, 100.000 videodan oluşan bir topluluktan iki video önerebilir. Bu video bir kullanıcı için Kazablanka ve The Philadelphia Story'yi, diğeri içinse Wonder Woman ve Black Panther'i seçebilir. Bir video öneri sistemi, önerilerini şu gibi faktörlere dayandırabilir:
- Benzer kullanıcıların oyladığı veya izlediği filmler.
- Tür, yönetmenler, aktörler, hedef demografi...
yeniden sıralama
Öneri sisteminin son aşamasıdır. Bu aşamada, puanlanan öğeler başka bir (genellikle makine öğrenimi harici) algoritmaya göre yeniden notlandırılabilir. Yeniden sıralama, puanlama aşamasında oluşturulan öğelerin listesini, aşağıdaki gibi işlemleri yaparak değerlendirir:
- Kullanıcının zaten satın almış olduğu öğeleri ortadan kaldırmak.
- Daha yeni öğelerin puanı yükseliyor.
S
puanlama
Aday oluşturma aşamasında üretilen her öğe için değer veya sıralama sağlayan bir öneri sisteminin parçası.
U
kullanıcı matrisi
Öneri sistemlerinde, kullanıcı tercihleri hakkındaki gizli sinyalleri tutan matrisi çarpanlara ayırma tarafından oluşturulan bir yerleştirme vektörü. Kullanıcı matrisinin her satırı, tek bir kullanıcı için çeşitli gizli sinyallerin göreceli gücü hakkında bilgiler içerir. Örneğin, bir film öneri sistemi düşünün. Bu sistemde, kullanıcı matrisindeki gizli sinyaller, her kullanıcının belirli türlere olan ilgisini temsil edebilir veya birden fazla faktörde karmaşık etkileşimler içeren, yorumlanması daha zor olabilir.
Kullanıcı matrisinde her gizli özellik için bir sütun ve her kullanıcı için bir satır bulunur. Diğer bir deyişle, kullanıcı matrisi, çarpanlara ayrılan hedef matrisle aynı sayıda satıra sahiptir. Örneğin, 1.000.000 kullanıcıdan oluşan bir film önerisi sistemi göz önüne alındığında kullanıcı matrisinde 1.000.000 satır olacaktır.
W
Ağırlıklı Alternatif En Küçük Kareler (WALS)
Öneri sistemlerinde matrisi çarpanlara ayırma sırasında hedef işlevini en aza indiren bir algoritmadır ve eksik örneklerin ağırlıklarının düşürülmesine olanak tanır. WALS, satır çarpanlarına ayırma ile sütun çarpanlarına ayırma işlemini düzeltme arasında alternatif bir yöntem kullanarak, orijinal matris ile yeniden oluşturma arasındaki ağırlıklı kare hatasını en aza indirir. Bu optimizasyonların her biri, en az kareler dışbükey optimizasyonu ile çözülebilir. Ayrıntılı bilgi için Öneri Sistemleri kursunu inceleyin.