Algoritmi

Gli algoritmi di apprendimento automatico nei sistemi di raccomandazione sono tipicamente classificati in due categorie: le tecniche di vagliatura basate sul contenuto e quelle orientate alla comunità, anche se oggi i raccomandatori consolidano le due metodologie. Le strategie messe insieme dai contenuti si basano sul rispetto della somiglianza delle qualità delle cose e le tecniche orientate alla comunità sono basate sulla vicinanza alla comunicazione. Sotto si parla per lo più di strategie comunitarie che permettono ai clienti di trovare nuova sostanza, non come le cose viste prima.

Le strategie orientate alla comunità lavorano con la rete di comunicazione che può anche essere definita una griglia di valutazione nella situazione non comune in cui i clienti danno una valutazione esplicita delle cose. Il compito dell’IA è quello di acquisire competenza con una capacità che preveda l’utilità delle cose per ogni cliente.

La matrice è comunemente enorme, eccezionalmente scarsa e la maggior parte delle qualità sono assenti.

Il calcolo più semplice cifra coseno o connessione comparabilità coseno o connessione di linee (clienti) o sezioni (cose) e prescrive cose che k – vicini più vicini apprezzato.

Le strategie basate sulla fattorizzazione della rete cercano di diminuire la dimensionalità del reticolo di associazione e di inesattarlo di almeno due piccoli quadri con segmenti k dormienti.

Aumentando il confronto tra linea e segmento si prevede una valutazione della cosa da parte del cliente. L’errore di preparazione può essere acquisito contrapponendo le valutazioni non nulle con le valutazioni anticipate. Si può anche regolarizzare la preparazione della disgrazia, includendo un termine di punizione che tenga basse le stime dei vettori inerti.

L’algoritmo di formazione più diffuso è una discesa stocastica a gradiente che riduce al minimo la perdita per aggiornamento del gradiente sia delle colonne che delle righe delle matrici p e q.

]

In alternativa, si può usare il metodo Alternando i minimi quadrati che ottimizza iterativamente la matrice p e la matrice q per passi minimi generali.

Anche le regole di affiliazione possono essere utilizzate per un suggerimento. Le cose che spesso vengono divorate insieme sono associate ad un bordo nel diagramma. Si possono vedere grappoli di blockbuster (cose fittamente associate che quasi tutti sono collegati tra loro) e piccoli gruppi isolati di contenuti speciali.

Le regole estratte dalla rete di collaborazione dovrebbero avere probabilmente un aiuto e una certezza insignificanti. Il supporto è identificato con la ricorrenza dell’evento – le ramificazioni dei colpi di smash hanno un alto aiuto. L’alta certezza implica che le regole non vengano regolarmente ignorate.

Le regole minerarie non sono del tutto versatili. Il calcolo APRIORI indaga lo spazio di stato dei possibili oggetti continui e dispone di parti dello spazio di indagine non visitate.

Per generare regole vengono utilizzate serie di voci frequenti e queste regole generano raccomandazioni.

Per esempio, mostriamo le regole che non si applicano ai cambi bancari nella Repubblica Ceca. I mozzi (cooperazioni) sono terminali e i bordi sono scambi di visite. Potete suggerire dei terminali bancari che dipendono in modo significativo dai prelievi/prelievi effettuati in passato.

Punire le cose prevalenti e separare le regole della coda lunga con il rinforzo inferiore spinge affascinanti decisioni che espandono le proposte e aiutano a trovare nuovi contenuti.

Anche la matrice di valutazione può essere impacchettata da un sistema neurale. Un presunto autoencoder è fondamentalmente lo stesso della fattorizzazione del quadro. Autoencoder profondi, con vari strati nascosti e non linearità, sono tanto più dominanti quanto più difficili da preparare. La rete neurale può essere utilizzata anche per preprocessare le qualità delle cose in modo da poter consolidare i contenuti e la comunità si avvicina.

Nell’apprendimento profondo orientato alla comunità, si allena la fattorizzazione della griglia con l’autoencoder che consolida i tratti delle cose. Ci sono ovviamente molti più calcoli che si possono usare per suggerire e il seguente pezzo dell’introduzione presenta alcune strategie che dipendono dall’apprendimento profondo e supportano l’apprendimento.

Le raccomandazioni possono essere valutate in modo corrispondente come modelli tradizionali di IA su informazioni croniche (valutazione disconnessa).

Le interazioni di utenti di test selezionati a caso vengono convalidate in modo incrociato per stimare le prestazioni del raccomandatore su valutazioni non viste.

La radice media al quadrato (RMSE) è ancora ampiamente utilizzata nonostante numerosi esami abbiano indicato che l’RMSE è uno scarso stimatore dell’esecuzione online.

Una misura di valutazione sempre più valida e scollegata è la revisione o l’accuratezza della valutazione del livello di cose accuratamente prescritte (tra le cose suggerite o importanti). DCG pensa inoltre alla posizione che si aspetta che la pertinenza delle cose diminuisca logaritmicamente.

Si può utilizzare una misura extra che non è così suscettibile di inclinazione nelle informazioni scollegate. L’inclusione di liste insieme alla revisione o all’accuratezza può essere utilizzata per il miglioramento multi-obiettivo. Abbiamo familiarizzato i parametri di regolarizzazione con tutti i calcoli che permettono di controllare la loro versatilità e di punire la proposta di cose importanti.

Sia la revisione che l’inclusione dovrebbero essere ampliate, in modo da guidare il recommender verso proposte precise e diverse che consentano ai clienti di indagare su nuovi contenuti.

Di tanto in tanto le collaborazioni sono assenti. Gli elementi di partenza a freddo o i clienti con partenza a freddo hanno bisogno di più connessioni per una stima affidabile della loro comparabilità della cooperazione, per cui le strategie di separazione condivise trascurano di creare suggerimenti.

I problemi di partenza a freddo possono essere diminuiti quando si considera la somiglianza del personaggio. È possibile codificare le qualità in un vettore binario e inviarlo al raccomandatore.

Le cose raggruppate in base alla loro somiglianza di connessione e alla somiglianza delle proprietà sono spesso regolate.