Avantajları
Alan bilgisi gerekmez
Yerleştirmeler otomatik olarak öğrenildiğinden alan bilgisi gerekmez.Rastgelelik
Model, kullanıcıların yeni ilgi alanları keşfetmesine yardımcı olabilir. Bağımsız olarak makine öğrenimi sistemi, kullanıcının belirli bir öğeyle ilgilendiğini bilmeyebilir ancak benzer kullanıcılar bu öğeyle ilgilendiği için model önerisinde bulunabilir.Mükemmel bir başlangıç noktası
Sistem, matrisi ölçeklendirme modelini eğitmek için yalnızca belirli durumlarda geri bildirim matrisine ihtiyaç duyar. Özellikle, sistemin içeriğe dayalı özelliklere ihtiyacı yoktur. Pratikte, bu yöntem birden fazla aday oluşturma aracından biri olarak kullanılabilir.
Dezavantajları
Yeni öğeler işlenemez
Belirli bir (kullanıcı, öğe) çifti için modelin tahmini, karşılık gelen yerleştirmelerin nokta ürünüdür. Dolayısıyla, eğitim sırasında bir öğe görünmüyorsa sistem bu öğe için bir yerleştirme oluşturamaz ve modeli bu öğeyle sorgulayamaz. Bu soruna genellikle sıfırdan başlatma sorunu denir. Bununla birlikte, aşağıdaki teknikler soğuk başlatma sorununu bir ölçüde çözebilir:
WALS'te projeksiyon. Eğitimde görülmeyen \(i_0\) yeni bir öğe düşünüldüğünde, sistemin kullanıcılarla birkaç etkileşimi varsa sistem, tüm modeli yeniden eğitmek zorunda kalmadan bu öğe için \(v_{i_0}\) yerleştirmeyi kolayca hesaplayabilir. Sistemin aşağıdaki denklemi veya ağırlıklı sürümü çözümlemesi yeterlidir:
\[\min_{v_{i_0} \in \mathbb R^d} \|A_{i_0} - U v_{i_0}\|\]
Önceki denklem, WALS'teki bir yinelemeye karşılık gelir: Kullanıcı yerleştirmeleri sabit tutulur ve sistem öğenin yerleştirilmesini çözümler \(i_0\). Aynı durum yeni kullanıcılar için de yapılabilir.
Yeni öğeler yerleştiren üretkenlerin bulgusu. Sistemin herhangi bir etkileşimi yoksa sistem, aynı kategoriden, aynı yükleyiciden (YouTube'daki) öğe yerleştirmelerinin ortalamasını alarak yerleştirmeyi tahmin edebilir.
Sorgu/öğe için yan özellikleri eklemek zor
Yan özellikler, sorgu veya öğe kimliği dışındaki özelliklerdir. Film önerileri için yan özellikler ülke veya yaşı içerebilir. Kullanılabilir yan özelliklerin eklenmesi modelin kalitesini iyileştirir. WALS'a yan özellikleri eklemek kolay olmayabilir, ancak WALS'ın genelleştirilmesi bunu mümkün kılar.
WALS'yi genelleştirmek için, bir matrisi özelliklerle genişleterek bir blok matrisi tanımlayın. \(\bar A\)
- Engelleme (0, 0), orijinal geri bildirim matrisidir \(A\).
- Engelle (0, 1), kullanıcı özelliklerinin çok resimli bir kodlamasıdır.
- Engelle (1, 0), öğe özelliklerinin çok resimli bir kodlamasıdır.