Bu sayfada Öneriler Sistemleri terim terimleri yer almaktadır. Tüm sözlük terimleri için burayı tıklayın.
C
aday oluşturma
Öneri sistemi tarafından seçilen ilk öneri grubudur. Örneğin, 100.000 kitap sunan bir kitapçı işletebilirsiniz. Aday oluşturma aşaması, belirli bir kullanıcı için (500 gibi) uygun kitapların çok daha küçük bir listesini oluşturur. Fakat 500 kitap bile kullanıcılara önerilemeyecek kadar çok. Daha sonra ortaya çıkan daha pahalı olan öneri sistemi aşamaları (ör. puanlama ve yeniden sıralama), bu 500 öneriyi çok daha küçük ve daha yararlı bir öneri grubuna dönüştürür.
ortak filtreleme
Diğer kullanıcıların ilgi alanlarına göre bir kullanıcının ilgi alanları hakkında tahminler oluşturma Ortak çalışma filtreleme genellikle öneri sistemlerinde kullanılır.
I
öğe matrisi
Öneri sistemlerinde, matrisi çarpanlara ayırma tarafından oluşturulan ve her bir öğe ile ilgili gizli sinyalleri barındıran yerleştirme vektörleri matrisi. Öğe matrisinin her bir satırı, tüm öğeler için tek bir gizli özelliğin değerini tutar. Örneğin, bir film öneri sistemi düşünün. Öğe matrisindeki her sütun tek bir filmi temsil eder. Gizli sinyaller türleri temsil edebilir veya tür, yıldız, film yaşı veya diğer faktörler arasında karmaşık etkileşimler içeren ve yorumlanması zor sinyaller olabilir.
Öğe matrisi, çarpana eklenen hedef matrisle aynı sayıda sütuna sahiptir. Örneğin, 10.000 film başlığını değerlendiren bir film öneri sistemi göz önünde bulundurulduğunda öğe matrisi 10.000 sütun içerir.
öğe
Öneri sistemlerinde sistemin önerdiği varlıklardır. Örneğin, videolar bir video mağazasının önerdiği öğelerken kitaplar bir kitapçının önerdiği öğelerdir.
M
matrisi çarpanlara ayırma
Matematikte, nokta ürünü bir hedef matrise yakın olan matrisleri bulmaya yönelik bir mekanizmadır.
Öneri sistemlerinde, hedef matrisi genellikle kullanıcıların öğeler üzerindeki derecelendirmelerini tutar. Örneğin, bir film öneri sisteminin hedef matrisi aşağıdaki gibi görünebilir: pozitif tam sayılar kullanıcı puanlarıdır, 0 ise kullanıcının filmi derecelendirmediği anlamına gelir:
| Kazablanka | Philadelphia Hikayesi | Black Panther | Kadın Kadın | Ucuz Kurgu | |
|---|---|---|---|---|---|
| 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 Siyah Panter'i beğenir mi?
Öneri sistemlerine yönelik bir yaklaşım, aşağıdaki iki matrisi oluşturmak için matrisi modellemeyi kullanmaktır:
- Kullanıcı sayısının X boyutunu temsil eden bir kullanıcı matrisi.
- Yerleştirme boyutlarının sayısı X öğe sayısına göre şekillenen bir öğe matrisi.
Örneğin, üç kullanıcımızda ve beş öğemizde matrisi çarpanlara ayırma, aşağıdaki kullanıcı matrisini ve öğe matrisini verebilir:
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 matrisinin ve öğe matrisinin nokta ürünü, yalnızca orijinal kullanıcı puanlarını değil, aynı zamanda her bir kullanıcının görmediği filmlere ilişkin tahminleri içeren bir öneri matrisi oluşturur. Örneğin, 1.Kullanıcı'nın Casablanca'nın 5, 0 olduğunu düşünelim. Öneri matrisindeki o hücreye karşılık gelen nokta ürünü, 5,0 civarında olmalıdır ve:
(1.1 * 0.9) + (2.3 * 1.7) = 4.9
Daha da önemlisi, 1. Kullanıcı Black Panther'i sevecek mi? Nokta ürününün ilk satıra ve üçüncü sütuna karşılık getirilmesi, 4,3'lük bir tahmini puan sağlar:
(1.1 * 1.4) + (2.3 * 1.2) = 4.3
Matrisi çarpanlara ayırma, genellikle hedef matristen çok daha küçük olan bir kullanıcı matrisi ve öğe matrisi sağlar.
balon
öneri sistemi
Her bir kullanıcı için büyük bir topluluktan nispeten küçük bir istenen items kümesi seçen bir sistem. Örneğin, bir video öneri sistemi 100.000 videodan oluşan bir kitaplıktan iki video önerebilir. Bu kullanıcılardan biri için Casablanca, The Philadelphia Story'yi, diğeri için Wonder Woman ve Black Panther'i seçebilirsiniz. Video öneri sistemi, önerilerini şu gibi faktörlere dayandırabilir:
- Benzer kullanıcıların puanladığı veya izlediği filmler.
- Tür, yönetmen, oyuncu, hedef demografi...
yeniden sıralama
Öneri sisteminin son aşamasında, puanlanan öğeler başka bir algoritmaya (genellikle makine öğrenimi olmayan) göre yeniden derecelendirilebilir. Yeniden sıralama, puanlama aşamasında oluşturulan öğelerin listesini değerlendirerek aşağıdaki gibi işlemler gerçekleştirir:
- Kullanıcının daha önce satın aldığı öğeleri kaldırma.
- Güncellenen öğelerin puanını artırma.
C
puanlama
Aday oluşturma tarafından oluşturulan her öğe için bir değer veya sıralama sağlayan öneri sisteminin parçası.
U
kullanıcı matrisi
Öneri sistemlerinde, kullanıcı tercihleriyle ilgili gizli sinyaller barındıran matrisi çarpanlara ayırma tarafından oluşturulan bir yerleştirme vektörü kullanılır. Kullanıcı matrisinin her bir satırı, tek bir kullanıcı için çeşitli gizli sinyallerin göreli gücü hakkında bilgi içerir. Örneğin, bir film öneri sistemi düşünün. Bu sistemde, kullanıcı matrisindeki gizli sinyaller her bir kullanıcının belirli türlere duyduğu ilgiyi temsil edebilir veya birden fazla faktörden oluşan karmaşık etkileşimleri içeren yorumlanması zor sinyaller olabilir.
Kullanıcı matrisinde, her gizli özellik için bir sütun ve her kullanıcı için bir satır bulunur. Yani kullanıcı matrisinin, çarpanlara ayrılmış hedef matrisle aynı sayıda satırı vardır. Örneğin, 1.000.000 kullanıcı için bir film öneri sistemi verildiğinde kullanıcı matrisi 1.000.000 satır içerir.
W
Ağırlıklı Alternatif En Az Kare (WALS)
Öneri sistemlerinde matrisi çarpanlara ayırma sırasında hedef işlevini en aza indiren ve eksik örneklerin ağırlığını azaltan bir algoritma. WALS, orijinal matris ile yeniden yapılandırma arasındaki ağırlıklı kare hatasını en aza indirir. Bunu yapmak için satır faktörünü düzeltme ile sütun faktörlerini dengeleme arasındaki alternatifleri karşılaştırarak bulabilirsiniz. Bu optimizasyonların her biri en az kare dönüştürme optimizasyonu ile çözülebilir. Ayrıntılar için Öneri Sistemleri kursuna bakın.