واژه نامه یادگیری ماشین: سیستم های توصیه

با مجموعه‌ها، منظم بمانید ذخیره و دسته‌بندی محتوا براساس اولویت‌های شما.

این صفحه شامل اصطلاحات واژه نامه سیستم های توصیه می باشد. برای همه اصطلاحات واژه نامه، اینجا را کلیک کنید .

سی

نسل نامزد

#سیستم های بازگردانی

مجموعه اولیه توصیه هایی که توسط یک سیستم توصیه انتخاب شده است. به عنوان مثال، کتابفروشی را در نظر بگیرید که 100000 عنوان کتاب عرضه می کند. مرحله تولید نامزد، فهرست بسیار کوچکتری از کتاب‌های مناسب برای یک کاربر خاص، مثلاً 500، ایجاد می‌کند. اما حتی 500 کتاب برای توصیه به کاربر بسیار زیاد است. مراحل بعدی و گرانتر یک سیستم توصیه (مانند امتیاز دهی و رتبه بندی مجدد ) این 500 را به مجموعه ای بسیار کوچکتر و مفیدتر از توصیه ها کاهش می دهد.

فیلتر مشارکتی

#سیستم های بازگردانی

انجام پیش بینی در مورد علایق یک کاربر بر اساس علایق بسیاری از کاربران دیگر. فیلتر مشارکتی اغلب در سیستم های توصیه استفاده می شود.

من

ماتریس آیتم

#سیستم های بازگردانی

در سیستم‌های توصیه ، ماتریسی از تعبیه‌ها ایجاد می‌شود که توسط فاکتورسازی ماتریس ایجاد می‌شود که سیگنال‌های نهفته را در مورد هر آیتم نگه می‌دارد. هر ردیف از ماتریس آیتم مقدار یک ویژگی پنهان واحد را برای همه آیتم ها نگه می دارد. به عنوان مثال، یک سیستم توصیه فیلم را در نظر بگیرید. هر ستون در ماتریس آیتم نشان دهنده یک فیلم است. سیگنال‌های نهفته ممکن است نشان دهنده ژانرها باشند، یا ممکن است سیگنال‌هایی سخت‌تر برای تفسیر باشند که شامل تعاملات پیچیده بین ژانر، ستاره‌ها، سن فیلم یا عوامل دیگر است.

ماتریس آیتم دارای همان تعداد ستون است که ماتریس هدف فاکتورگیری شده است. به عنوان مثال، با توجه به یک سیستم توصیه فیلم که 10000 عنوان فیلم را ارزیابی می کند، ماتریس آیتم دارای 10000 ستون خواهد بود.

موارد

#سیستم های بازگردانی

در یک سیستم توصیه ، نهادهایی که یک سیستم توصیه می کند. به عنوان مثال، ویدیوها مواردی هستند که یک فروشگاه ویدیویی توصیه می کند، در حالی که کتاب ها مواردی هستند که یک کتابفروشی توصیه می کند.

م

فاکتورسازی ماتریسی

#سیستم های بازگردانی

در ریاضیات، مکانیزمی برای یافتن ماتریس هایی که حاصلضرب نقطه آنها به یک ماتریس هدف تقریب دارد.

در سیستم های توصیه ، ماتریس هدف اغلب رتبه های کاربران را در مورد موارد نگه می دارد. به عنوان مثال، ماتریس هدف برای یک سیستم توصیه فیلم ممکن است چیزی شبیه به زیر باشد، که در آن اعداد صحیح مثبت رتبه‌بندی کاربر هستند و 0 به این معنی است که کاربر به فیلم امتیاز نداده است:

کازابلانکا داستان فیلادلفیا پلنگ سیاه زن شگفت انگیز داستان عامهپسند
کاربر 1 5.0 3.0 0.0 2.0 0.0
کاربر 2 4.0 0.0 0.0 1.0 5.0
کاربر 3 3.0 1.0 4.0 5.0 0.0

هدف سیستم توصیه فیلم پیش‌بینی رتبه‌بندی کاربران برای فیلم‌های رتبه‌بندی نشده است. به عنوان مثال، آیا کاربر 1 پلنگ سیاه را دوست دارد؟

یکی از رویکردهای سیستم های توصیه، استفاده از فاکتورسازی ماتریس برای تولید دو ماتریس زیر است:

به عنوان مثال، استفاده از فاکتورسازی ماتریس بر روی سه کاربر و پنج مورد ما می‌تواند ماتریس کاربری و ماتریس آیتم زیر را به دست آورد:

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

حاصلضرب نقطه‌ای ماتریس کاربر و ماتریس مورد، ماتریس توصیه‌ای را به دست می‌دهد که نه تنها رتبه‌بندی‌های اصلی کاربر، بلکه پیش‌بینی‌هایی برای فیلم‌هایی که هر کاربر ندیده است را نیز شامل می‌شود. به عنوان مثال، امتیاز کاربر 1 از کازابلانکا را در نظر بگیرید که 5.0 بود. محصول نقطه مربوط به آن سلول در ماتریس توصیه باید حدود 5.0 باشد، و این است:

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

مهمتر از آن، آیا کاربر 1 پلنگ سیاه را دوست دارد؟ با گرفتن محصول نقطه ای مربوط به سطر اول و ستون سوم، امتیاز پیش بینی شده 4.3 بدست می آید:

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

فاکتورسازی ماتریس معمولاً یک ماتریس کاربر و ماتریس آیتم را به دست می‌دهد که با هم، به طور قابل توجهی فشرده‌تر از ماتریس هدف هستند.

آر

سیستم توصیه

#سیستم های بازگردانی

سیستمی که برای هر کاربر مجموعه نسبتاً کوچکی از موارد مطلوب را از یک مجموعه بزرگ انتخاب می کند. به عنوان مثال، یک سیستم توصیه ویدیویی ممکن است دو ویدیو از مجموعه‌ای متشکل از 100000 ویدیو را توصیه کند، کازابلانکا و داستان فیلادلفیا را برای یک کاربر و Wonder Woman و Black Panther را برای کاربر دیگر انتخاب کند. یک سیستم توصیه ویدیویی ممکن است توصیه های خود را بر اساس عواملی مانند:

  • فیلم هایی که کاربران مشابه به آنها امتیاز داده اند یا تماشا کرده اند.
  • ژانر، کارگردانان، بازیگران، جمعیت هدف...

رتبه بندی مجدد

#سیستم های بازگردانی

مرحله نهایی یک سیستم توصیه ، که در طی آن موارد امتیازدهی شده ممکن است طبق الگوریتم دیگری (معمولاً غیر ML) مجدداً رتبه‌بندی شوند. رتبه‌بندی مجدد فهرست اقلام ایجاد شده توسط مرحله امتیازدهی را ارزیابی می‌کند و اقداماتی مانند:

  • حذف مواردی که کاربر قبلاً خریداری کرده است.
  • افزایش امتیاز اقلام تازه تر.

اس

به ثمر رساندن

#سیستم های بازگردانی

بخشی از یک سیستم توصیه که برای هر آیتم تولید شده توسط مرحله تولید نامزد ، ارزش یا رتبه بندی را ارائه می دهد.

U

ماتریس کاربر

#سیستم های بازگردانی

در سیستم‌های توصیه ، تعبیه‌ای ایجاد می‌شود که توسط فاکتورسازی ماتریس ایجاد می‌شود که سیگنال‌های نهفته در مورد ترجیحات کاربر را نگه می‌دارد. هر ردیف از ماتریس کاربر اطلاعاتی در مورد قدرت نسبی سیگنال های پنهان مختلف برای یک کاربر دارد. به عنوان مثال، یک سیستم توصیه فیلم را در نظر بگیرید. در این سیستم، سیگنال‌های نهفته در ماتریس کاربر ممکن است نشان دهنده علاقه هر کاربر به ژانرهای خاص باشد، یا ممکن است سیگنال‌های سخت‌تر برای تفسیر باشد که شامل تعاملات پیچیده بین عوامل متعدد است.

ماتریس کاربر دارای یک ستون برای هر ویژگی پنهان و یک ردیف برای هر کاربر است. یعنی ماتریس کاربر دارای همان تعداد ردیف ماتریس هدف است که در حال فاکتورسازی است. به عنوان مثال، با توجه به یک سیستم توصیه فیلم برای 1000000 کاربر، ماتریس کاربر دارای 1000000 ردیف خواهد بود.

دبلیو

حداقل مربعات متناوب وزنی (WALS)

#سیستم های بازگردانی

الگوریتمی برای به حداقل رساندن تابع هدف در طول فاکتورسازی ماتریس در سیستم های توصیه ، که امکان کاهش وزن نمونه های گمشده را فراهم می کند. WALS خطای مجذور وزنی بین ماتریس اصلی و بازسازی را با تنظیم متناوب بین فاکتورسازی ردیف و فاکتورسازی ستون به حداقل می رساند. هر یک از این بهینه سازی ها را می توان با بهینه سازی محدب حداقل مربعات حل کرد. برای جزئیات، دوره سیستم های توصیه را ببینید