Bu sayfa Suggest Systems sözlük terimlerini içerir. Tüm sözlük terimleri için burayı tıklayın.
C
aday oluşturma
Bir öneri sistemi tarafından seçilen ilk öneriler grubudur. Örneğin, 100.000 kitap sunan bir kitapçı düşünün. Aday oluşturma aşamasında belirli bir kullanıcı için (500 gibi) uygun kitapların çok daha küçük bir listesi oluşturulur. Ancak 500 kitap bile bir kullanıcıya önerilemeyecek kadar fazladır. Öneri sisteminin (puanlama ve yeniden sıralama gibi) sonraki, daha pahalı aşamaları, bu 500 öneriyi çok daha küçük, daha yararlı bir öneri grubuna indirir.
ortak çalışma filtreleme
Diğer birçok kullanıcının ilgi alanlarına göre bir kullanıcının ilgi alanları hakkında tahminler hazırlama. Ortak çalışmaya dayalı filtreleme genellikle öneri sistemlerinde kullanılır.
I
öğe matrisi
Öneri sistemlerinde, matrisi çarpanlara ayırma tarafından oluşturulan ve her bir öğe ile ilgili gizli sinyaller içeren yerleştirme vektörleri matrisi yer alır. Öğe matrisinin her bir satırı, tüm öğeler için tek bir gizli özelliğin değerini barındırır. 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 arasındaki karmaşık etkileşimleri içeren ve yorumlanması zor olan sinyaller olabilir.
Öğe matrisi, hesaba katılan hedef matrisle aynı sayıda sütuna sahiptir. Örneğin, 10.000 film başlığını değerlendiren bir film öneri sistemi göz önüne alındığında, öğe matrisini 10.000 sütun içerir.
öğe
Öneri sisteminde sistemin önerdiği varlıklar. Örneğin videolar, bir video mağazasının önerdiği öğelerdir. Kitaplar da bir kitapçının önerdiği öğelerdir.
A
matrisi çarpanlara ayırma
Matematikte, nokta ürünü bir hedef matrise yakın olan matrisleri bulmaya yarayan bir mekanizmadır.
Öneri sistemlerinde, hedef matrisi genellikle öğeler için kullanıcı puanlarını içerir. Örneğin, bir film öneri sisteminin hedef matrisi, aşağıdaki gibi görünebilir: pozitif tam sayılar kullanıcı puanlarıdır; 0, kullanıcının filme puan vermediği anlamına gelir:
| Kazablanka | Philadelphia'nın Hikayesi | Black Panther | Wonder 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 filmlerin kullanıcı puanlarını tahmin etmeyi amaçlar. Örneğin, 1. Kullanıcı Siyah Panter'i beğenir mi?
Öneri sistemleri için yaklaşımlardan biri, matrisi kullanarak aşağıdaki iki matrisi oluşturmaktır:
- Kullanıcı sayısı ve X yerleşim boyutu sayısı şeklinde şekillenmiş bir kullanıcı matrisi.
- Yerleştirme boyutlarının sayısı X öğe sayısı olarak şekillenmiş bir öğe matrisi.
Örneğin, üç kullanıcımızda ve beş öğemizde matrisi çarpanlara ayırma işlemi, aşağıdaki kullanıcı matrisini ve öğe matrisini sağlayabilir:
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 noktasal ürünü, yalnızca orijinal kullanıcı puanlarını değil, aynı zamanda her kullanıcının görmediği filmlere ilişkin tahminleri de içeren bir öneri matrisi sağlar. Örneğin, 1. Kullanıcı tarafından yapılan 5.0 Kazablanka derecelendirmesini düşünün. Öneri matrisinde bu hücreye karşılık gelen nokta ürünü yaklaşık 5, 0 olmalıdır ve şu şekildedir:
(1.1 * 0.9) + (2.3 * 1.7) = 4.9
Daha da önemlisi, Kullanıcı 1 Black Panther'i beğenir mi? İlk satıra ve üçüncü sütuna karşılık gelen nokta ürününün toplanması, öngörülen 4,3 puanı sağlar:
(1.1 * 1.4) + (2.3 * 1.2) = 4.3
Matrisi çarpanlara ayırma, genellikle hedef matristen çok daha küçük bir kullanıcı matrisi ve öğe matrisi sağlar.
K
öneri sistemi
Her bir kullanıcı için büyük bir kitaplıktan istenilen sayıda öğe seçen bir sistem. Örneğin, bir video öneri sistemi, bir kullanıcı için Casablanca ve The Philadelphia Story'yi, bir başkası için Wonder Woman ve Black Panther'ı seçerek 100.000 videoluk bir derlemeden iki video önerebilir. Video öneri sistemi, önerilerini şu gibi faktörlere dayandırabilir:
- Benzer kullanıcıların puanladığı veya izlediği filmler.
- Tür, yönetmenler, aktörler, hedef demografi...
yeniden sıralama
Bir öneri sisteminin son aşamasında, puanlanan öğeler başka bir (genellikle makine öğrenimi olmayan) algoritmaya göre yeniden derecelendirilebilir. Yeniden sıralama, skor aşamasında oluşturulan öğelerin listesini değerlendirerek aşağıdaki gibi işlemleri gerçekleştirir:
- Kullanıcının daha önce satın aldığı öğeleri kaldırma.
- Daha yeni öğelerin puanını artırma.
C
puanlama
Aday oluşturma aşamasında üretilen her öğe için değer veya sıralama sağlayan, öneri sisteminin kısmı.
U
kullanıcı matrisi
Öneri sistemlerinde, matrisi çarpanlara ayırma tarafından oluşturulan ve kullanıcı tercihleriyle ilgili gizli sinyaller içeren yerleştirme vektörü. Kullanıcı matrisinin her satırı, tek bir kullanıcı için çeşitli gizli sinyallerin gücüne dair bilgileri içerir. Örneğin, bir film öneri sistemi düşünün. Bu sistemde, kullanıcı matrisindeki gizli sinyaller her kullanıcının belirli türlere duyduğu ilgiyi temsil edebilir veya birden çok faktörde karmaşık etkileşimler içeren ve daha kolay yorumlanması mümkün sinyaller olabilir.
Kullanıcı matrisinde, her gizli özellik için bir sütun ve her kullanıcı için bir satır bulunur. Yani kullanıcı matrisi, faktöre dahil edilen hedef matrisle aynı sayıda satıra sahiptir. Örneğin, 1.000.000 kullanıcı için bir film öneri sistemi verildiğinde, kullanıcı matrisinin 1.000.000 satırı olur.
W
Ağırlıklı Alternatif Alternatifler (WALS)
Öneri sistemlerinde matrisi ölçeklendirme sırasında hedef işlevini en aza indirmeye yönelik bir algoritmadır. Bu algoritma, eksik örneklerin ağırlıklarının azaltılmasına olanak tanır. WALS, orijinal matris ile rekonstrüksiyon arasındaki ağırlıklı kare hatasını, satır faktöriyesini düzeltmekle sütun ölçeklendirmeyi değiştirerek karşılaştırır. Bu optimizasyonların her biri en küçük kareler olan dönş. optimizasyonu ile çözülebilir. Ayrıntılar için Öneri Sistemleri kursuna göz atın.