หน้านี้มีคําในอภิธานศัพท์ที่ระบบแนะนํา สําหรับอภิธานศัพท์ทั้งหมด คลิกที่นี่
ค
การสร้างผู้สมัคร
คําแนะนําเริ่มต้นซึ่งกําหนดโดยระบบคําแนะนํา ตัวอย่างเช่น ลองนึกถึงร้านหนังสือ 100,000 เล่ม ในเฟสการสร้างผู้สมัครนี้ จะสร้างรายการหนังสือที่เหมาะสมสําหรับผู้ใช้จํานวนน้อยลงเรื่อยๆ เช่น 500 รายชื่อ แม้จะมีหนังสือถึง 500 เล่มก็ยังแนะนําได้ยากเกินไป ช่วงของระบบการแนะนําราคาที่สูงขึ้น (แพงกว่า) (เช่น การให้คะแนนและ การจัดอันดับใหม่) จะลดคําแนะนํา 500 รายการดังกล่าวให้เป็นชุดคําแนะนําที่สั้นและมีประโยชน์มากขึ้นมาก
การกรองการทํางานร่วมกัน
ทําการคาดการณ์เกี่ยวกับความสนใจของผู้ใช้รายหนึ่ง ตามความสนใจของผู้ใช้รายอื่นจํานวนมาก ตัวกรองการทํางานร่วมกันมักใช้ในระบบคําแนะนํา
I
เมทริกซ์สินค้า
ในระบบการแนะนํา เมทริกซ์ของเวกเตอร์การฝังที่สร้างขึ้นจากปัจจัยในเมทริกซ์ ที่มีสัญญาณแฝงเกี่ยวกับรายการแต่ละรายการ แต่ละแถวของเมทริกซ์สินค้าจะมีค่าของฟีเจอร์แฝงเดียวสําหรับสินค้าทั้งหมด เช่น ลองใช้ระบบการแนะนําภาพยนตร์ แต่ละคอลัมน์ในเมทริกซ์สินค้าแสดงถึงภาพยนตร์ 1 เรื่อง สัญญาณที่แฝงอยู่อาจแสดงถึงประเภท หรืออาจเป็นสัญญาณที่ตีความได้ยากขึ้น ซึ่งเกี่ยวข้องกับการโต้ตอบที่ซับซ้อนในประเภทดาว ดาว อายุของภาพยนตร์ หรือปัจจัยอื่นๆ
เมทริกซ์สินค้ามีจํานวนคอลัมน์เท่ากับเมทริกซ์เป้าหมายที่เป็นปัจจัย เช่น สําหรับระบบแนะนําภาพยนตร์ที่ประเมินภาพยนตร์ 10,000 เรื่อง เมทริกซ์ของสินค้าจะมี 10,000 คอลัมน์
items
ในระบบคําแนะนํา เอนทิตีที่ระบบแนะนํา ตัวอย่างเช่น วิดีโอคือสิ่งที่ร้านวิดีโอแนะนํา ส่วนหนังสือเป็นรายการที่ร้านหนังสือแนะนํา
M
การแยกตัวประกอบเมทริกซ์
ในคณิตศาสตร์ กลไกในการค้นหาเมทริกซ์ที่มีผลิตภัณฑ์จุดเป็นค่าประมาณเมทริกซ์เป้าหมาย
ในระบบการแนะนําวิดีโอ เมทริกซ์เป้าหมายมักระงับผู้ใช้ไว้' คะแนนในสินค้า ตัวอย่างเช่น เมทริกซ์เป้าหมายสําหรับระบบการแนะนําภาพยนตร์อาจมีลักษณะต่อไปนี้ โดยจํานวนเต็มบวกคือคะแนนของผู้ใช้ 0 หมายความว่าผู้ใช้ไม่ได้ให้คะแนนภาพยนตร์ดังกล่าว
คาสซาบลางกา | เรื่องราวของฟิลาเดลเฟีย | แบล็ค แพนเธอร์ (Black Panther) | มหัศจรรย์หญิง | นิยาย Pulp | |
---|---|---|---|---|---|
ผู้ใช้ 1 | 5.0 | 3.0 | 0.0 | 2.0 | 0.0 |
ผู้ใช้ 2 | 4.0 | 0.0 | 0.0 | 1.0 | 5.0 |
ผู้ใช้ 3 | 3.0 | 1.0 | 4.0 | 5.0 | 0.0 |
ระบบการแนะนําภาพยนตร์มีเป้าหมายในการคาดการณ์คะแนนของผู้ใช้สําหรับภาพยนตร์ที่ไม่มีการจัดประเภท เช่น ผู้ใช้ 1 จะชอบ Black Panther ไหม
แนวทางหนึ่งสําหรับระบบการแนะนําคือการใช้ การแยกประเภทเมทริกซ์สร้างเมทริกซ์ 2 รายการต่อไปนี้
- เมทริกซ์ผู้ใช้ ซึ่งคํานวณโดยจํานวนผู้ใช้ที่ X จํานวนมิติข้อมูลแบบฝัง
- เมทริกซ์สินค้า มีรูปร่างเป็นจํานวนมิติข้อมูลแบบฝัง X จํานวนรายการ
ตัวอย่างเช่น การใช้ปัจจัยแบบเมทริกซ์กับผู้ใช้ 3 รายและ 5 รายการอาจให้เมตริกซ์ผู้ใช้และเมทริกซ์สินค้าดังต่อไปนี้
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
ผลิตภัณฑ์จุดของเมทริกซ์ของผู้ใช้และเมทริกซ์สินค้าจะให้เมทริกซ์แนะนํา ที่ไม่เพียงมีการให้คะแนนของผู้ใช้ตั้งแต่แรกเท่านั้น แต่ยังรวมถึงการคาดการณ์สําหรับภาพยนตร์ที่ผู้ใช้แต่ละรายยังไม่เคยเห็นอีกด้วย ตัวอย่างเช่น พิจารณาการให้คะแนนของผู้ใช้ 1' Casablanca ซึ่งก็คือ 5.0 ผลิตภัณฑ์ที่เป็นจุดซึ่งสอดคล้องกับเซลล์นั้นในเมทริกซ์แนะนําน่าจะอยู่ที่ประมาณ 5.0 และมีลักษณะดังนี้
(1.1 * 0.9) + (2.3 * 1.7) = 4.9
ยิ่งไปกว่านั้นผู้ใช้ 1 จะชอบ Black Panther ไหม การใช้ผลิตภัณฑ์จุดที่เกี่ยวข้องกับแถวแรกและคอลัมน์ที่ 3 ทําให้ได้คะแนน 4.3 ที่คาดการณ์ไว้
(1.1 * 1.4) + (2.3 * 1.2) = 4.3
การแยกตัวประกอบเมทริกซ์มักให้ผลตอบแทนจากเมทริกซ์ของผู้ใช้ และเมทริกซ์ของสินค้าเมื่อทํางานร่วมกันจะกระชับมากกว่าเมทริกซ์เป้าหมายอย่างมาก
R
ระบบการแนะนํา
ระบบที่เลือกรายการที่ต้องการค่อนข้างมากจากคลังเนื้อหาขนาดใหญ่ เช่น ระบบการแนะนําวิดีโออาจแนะนําวิดีโอ 2 รายการจากคลังวิดีโอ 100,000 รายการ โดยเลือก Casablanca และThe Philadelphia Story สําหรับผู้ใช้ 1 ราย และ Wonder Ladies และ Black Panther สําหรับผู้ใช้อีกราย ระบบการแนะนําวิดีโออาจ แนะนําวิดีโอโดยพิจารณาจากปัจจัยต่างๆ เช่น
- ภาพยนตร์ที่ผู้ใช้ที่คล้ายกันเคยให้คะแนนหรือดู
- ประเภท ผู้กํากับ นักแสดง ข้อมูลประชากรเป้าหมาย...
การจัดอันดับใหม่
ขั้นตอนสุดท้ายของระบบคําแนะนํา ระหว่างที่มีการให้คะแนนสินค้าหนึ่งๆ อาจจะมีการให้คะแนนอีกครั้งตามอัลกอริทึมอื่นๆ (โดยปกติจะเป็น ML) การจัดอันดับอีกครั้งจะประเมินรายการที่สร้างโดยระยะการให้คะแนนเพื่อดําเนินการต่างๆ เช่น
- นําสินค้าที่ผู้ใช้ซื้อไปแล้วออกไป
- เพิ่มคะแนนของสินค้าใหม่
ส
การให้คะแนน
ส่วนหนึ่งของระบบการแนะนําที่ให้ค่าหรือการจัดอันดับสําหรับแต่ละรายการที่เกิดจากขั้นตอนการสร้างผู้สมัคร
U
เมทริกซ์ของผู้ใช้
ในระบบการแนะนํา เวกเตอร์การฝังที่สร้างขึ้นจากปัจจัยในเมทริกซ์ ที่ส่งสัญญาณที่ส่งสัญญาณแจ้งเกี่ยวกับค่ากําหนดของผู้ใช้ แต่ละแถวของเมทริกซ์ของผู้ใช้จะเก็บข้อมูลเกี่ยวกับความเข้มงวดของสัญญาณที่แฝงอยู่ต่างๆ สําหรับผู้ใช้รายเดียว เช่น ลองใช้ระบบการแนะนําภาพยนตร์ ในระบบนี้ สัญญาณที่แฝงอยู่ในเมทริกซ์ผู้ใช้อาจแสดงถึงความสนใจของผู้ใช้แต่ละคนในประเภทหนึ่งๆ หรืออาจเป็นสัญญาณที่ตีความได้ยากขึ้นซึ่งเกี่ยวข้องกับการโต้ตอบที่ซับซ้อนในหลายปัจจัย
เมทริกซ์ของผู้ใช้จะมีคอลัมน์สําหรับฟีเจอร์แฝงแต่ละรายการและแถวสําหรับผู้ใช้แต่ละราย กล่าวคือ เมทริกซ์ของผู้ใช้มีจํานวนแถวเท่ากับเมทริกซ์เป้าหมายที่เป็นปัจจัย เช่น ในระบบแนะนําภาพยนตร์สําหรับผู้ใช้ 1,000,000 ราย เมทริกซ์ของผู้ใช้จะมีแถว 1,000,000 แถว
W
ถ่วงน้ําหนักน้อยที่สุดของสี่เหลี่ยมจัตุรัส (WALS)
อัลกอริทึมสําหรับการลดฟังก์ชันวัตถุประสงค์ระหว่างการแยกตัวประกอบเมทริกซ์ในระบบการแนะนํา ซึ่งช่วยให้ลดน้ําหนักของตัวอย่างที่หายไป WALS ช่วยลดข้อผิดพลาดในการถ่วงน้ําหนักที่ถ่วงน้ําหนักระหว่างเมทริกซ์ต้นฉบับและโครงสร้างที่โครงสร้างใหม่ โดยสลับใช้การแก้ไขรูปแบบแฟกทอเรียลแถวและแฟกทอเรียลคอลัมน์ การเพิ่มประสิทธิภาพแต่ละรายการเหล่านี้สามารถแก้ไขได้ด้วยกําลังสองที่น้อยที่สุด การเพิ่มประสิทธิภาพ Convx โปรดดูรายละเอียดที่หัวข้อหลักสูตรระบบการแนะนํา