Algorithmes

Les algorithmes d’apprentissage automatique dans les systèmes de recommandation sont généralement classés en deux catégories : les techniques de tri basées sur le contenu et celles orientées vers la communauté, bien que les recommandations actuelles consolident les deux méthodologies. Les stratégies d’assemblage de contenu sont basées sur le respect de la ressemblance des qualités des choses et les techniques orientées vers la communauté représentent la proximité des communications. Ci-dessous, nous parlons pour la plupart de stratégies communautaires qui permettent aux clients de trouver de nouvelles substances, pas du tout comme les choses vues auparavant.

Les stratégies axées sur la communauté fonctionnent avec le réseau de communication qui peut également être appelé grille d’évaluation dans la situation peu commune où les clients donnent une évaluation expresse des choses. La mission de l’IA est d’acquérir une compétence avec une capacité qui prédit l’utilité des choses pour chaque client.

La matrice est généralement énorme, exceptionnellement maigre et la plupart des qualités sont absentes.

Le calcul le plus simple consiste à comparer le cosinus ou la connexion de lignes (clients) ou de sections (choses) et à prescrire des choses que k – les voisins les plus proches – apprécient.

Les stratégies basées sur la factorisation de réseau s’efforcent de diminuer la dimensionnalité du réseau d’association et de l’inexact par au moins deux petits cadres avec k segments dormants.

En augmentant la comparaison entre les lignes et les segments, vous prévoyez l’évaluation de la chose par le client. La préparation d’une bévue peut être acquise en comparant des évaluations non nulles avec des évaluations anticipées. De même, on peut régulariser la préparation d’un malheur en incluant un terme de punition maintenant les estimations des vecteurs inertes à un niveau bas.

L’algorithme de formation le plus populaire est une descente stochastique par gradient qui minimise la perte par mise à jour des gradients des colonnes et des lignes des matrices p a q.

]

On peut aussi utiliser la méthode des moindres carrés alternés qui optimise itérativement la matrice p et la matrice q par un pas général des moindres carrés.

Les règles d’affiliation peuvent également être utilisées pour une suggestion. Les choses qui sont souvent dévorées ensemble sont associées à un bord dans le diagramme. Vous pouvez y voir des grappes de superproductions (des choses étroitement associées avec lesquelles presque tout le monde est en relation) et de petits groupes isolés de contenus spécialisés.

Les règles extraites du réseau de collaboration devraient avoir une aide et une certitude probablement insignifiantes. Le soutien est identifié avec la récurrence de l’événement – les ramifications des coups de poing ont une grande aide. Une grande certitude implique que les règles ne sont pas régulièrement ignorées.

Les règles minières ne sont pas tout à fait polyvalentes. Le calcul APRIORI étudie l’espace d’état des ensembles d’objets continus concevables et dispose des parties de l’espace d’enquête qui ne sont pas visitées.

Des ensembles d’éléments fréquents sont utilisés pour générer des règles et ces règles génèrent des recommandations.

Par exemple, nous montrons des règles tirées des échanges bancaires en République tchèque. Les hubs (coopérations) sont des terminaux et les edges sont des bourses de visite. Vous pouvez suggérer des terminaux bancaires qui dépendent de manière significative des retraits/installations passés.

Punir les choses qui prévalent et séparer les règles de la longue traîne avec les règles de la basse traîne suscite des décisions fascinantes qui élargissent les propositions et aident à trouver de nouveaux contenus.

La matrice d’évaluation peut également être remplie par un système neuronal. Un prétendu auto-codeur est fondamentalement le même que la factorisation du cadre. Les auto-codeurs profonds, avec diverses couches cachées et des non-linéarités, sont d’autant plus dominants qu’ils sont plus difficiles à préparer. Le réseau neuronal peut également être utilisé pour prétraiter les qualités des choses afin de consolider le contenu et de rapprocher les communautés.

Dans l’apprentissage approfondi orienté vers la communauté, vous entraînez la factorisation de la grille tout en consolidant les traits des choses par auto-codage. Il y a évidemment beaucoup d’autres calculs que vous pouvez utiliser à titre de suggestion et la partie suivante de l’introduction présente quelques stratégies qui dépendent de l’apprentissage profond et de l’apprentissage de soutien.

Les recommandations peuvent être évaluées en conséquence comme les modèles d’IA traditionnels sur la base d’informations chroniques (évaluation déconnectée).

Les interactions des utilisateurs de tests sélectionnés au hasard font l’objet d’une validation croisée afin d’estimer la performance de la personne qui recommande le test sur des notes non visibles.

L’erreur quadratique moyenne (RMSE) est encore largement utilisée malgré de nombreux examens indiquant que la RMSE est un mauvais estimateur de l’exécution en ligne.

Une mesure d’évaluation déconnectée de plus en plus viable est la révision ou l’évaluation précise du niveau des choses prescrites avec précision (parmi les choses suggérées ou importantes). Le DCG réfléchit en outre à la position selon laquelle la pertinence des choses diminue de manière logarithmique.

On peut utiliser une mesure supplémentaire qui n’est pas si sensible à l’inclinaison dans les informations déconnectées. L’inclusion de la liste avec la révision ou la précision peut être utilisée pour une amélioration multi-objectifs. Nous avons pris connaissance des paramètres de régularisation de tous les calculs, ce qui permet de contrôler leur polyvalence et de sanctionner la proposition de choses importantes.

L’examen et l’inclusion devraient être élargis afin que nous puissions recommander des propositions précises et différentes permettant aux clients d’étudier de nouveaux contenus.

De temps en temps, les coopérations sont absentes. Les éléments de démarrage à froid ou les clients de démarrage à froid ont besoin de plus de connexions pour une estimation fiable de la comparabilité de leur coopération, de sorte que les stratégies de séparation partagées négligent de créer des suggestions.

Les problèmes de démarrage à froid peuvent être atténués si l’on tient compte de la ressemblance du personnage. Vous pouvez encoder les qualités dans un vecteur binaire et l’envoyer à l’auteur de la recommandation.

Les choses regroupées en fonction de leur similitude de connexion et de leur ressemblance de propriété sont fréquemment ajustées.