Vorteile
Keine Domainkenntnisse erforderlich
Wir brauchen keine Domainkenntnisse, weil die Einbettungen automatisch erkannt werden.Zufriedenheit
Mit diesem Modell können Nutzer neue Interessen entdecken. Das ML-System weiß unter Umständen nicht, dass der Nutzer an einem bestimmten Element interessiert ist. Das Modell kann es aber trotzdem empfehlen, da ähnliche Nutzer an diesem Element interessiert sind.Guter Ausgangspunkt
Zum Teil benötigt das System nur die Feedbackmatrix, um ein Matrixfaktorisierungsmodell zu trainieren. Das System benötigt keine kontextuellen Funktionen. In der Praxis kann dies als einer von mehreren möglichen Generatoren verwendet werden.
Nachteile
Keine Aktualisierung aktueller Elemente
Die Vorhersage des Modells für ein bestimmtes Paar aus Nutzer, Element ist das Punktprodukt der entsprechenden Einbettungen. Wenn also ein Element während des Trainings nicht sichtbar ist, kann das System keine Einbettung dafür erstellen und das Modell mit diesem Element nicht abfragen. Dieses Problem wird oft als Kaltstartproblem bezeichnet. Die folgenden Techniken können jedoch das Kaltstartproblem bis zu einem gewissen Grad angehen:
Projektion in WALS Wenn ein neues Element \(i_0\) im Training nicht erkannt wird und das System einige Interaktionen mit Nutzern hat, kann das System ganz einfach eine Einbettung \(v_{i_0}\) für dieses Element berechnen, ohne das gesamte Modell neu trainieren zu müssen. Das System muss lediglich die folgende Gleichung oder die gewichtete Version lösen:
\[\min_{v_{i_0} \in \mathbb R^d} \|A_{i_0} - U v_{i_0}\|\]
Die vorherige Gleichung entspricht einer Iteration in WALS: Die Einbettungen der Nutzer bleiben unverändert und das System löst die Einbettung des Elements \(i_0\)auf. Dasselbe gilt für neue Nutzer.
Heuristik zum Einbetten von neuen Elementen Wenn das System keine Interaktionen hat, kann das System seine Einbettung schätzen, indem es die Einbettungen von Elementen aus derselben Kategorie, vom selben Uploader (in YouTube) usw. durchschnittlich berechnet.
Schwierigkeiten, Seitenfunktionen für Suchanfrage/Artikel hinzuzufügen
Nebenfunktionen sind alle Merkmale, die über die Abfrage- oder Artikel-ID hinausgehen. Bei Filmempfehlungen könnten die Nebenfunktionen beispielsweise das Land oder das Alter sein. Die Einbindung der verfügbaren Nebenfeatures verbessert die Qualität des Modells. Obwohl es nicht einfach sein kann, in WALS Nebenfunktionen hinzuzufügen, ist dies durch Das ermöglicht eine Generalisierung von WALS.
Um WALS zu verallgemeinern, erweitern Sie die Eingabematrix mit Features, indem Sie eine Blockmatrix definieren \(\bar A\), wobei:
- Block (0, 0) ist die ursprüngliche Feedbackmatrix \(A\).
- Block (0, 1) ist eine Multi-Hot-Codierung der Nutzerfunktionen.
- Block (1, 0) ist eine Multi-Hot-Codierung der Elementmerkmale.