Os algoritmos de aprendizado de máquina nos sistemas de recomendação são tipicamente classificados em duas categorias – técnicas de peneiramento baseadas no conteúdo e orientadas à comunidade, embora os recomendadores atuais consolidem as duas metodologias. As estratégias de conteúdo são baseadas no respeito às semelhanças entre as qualidades das coisas e as técnicas orientadas para a comunidade, que se aproximam da comunicação. Por baixo de nós falamos, em grande parte, de estratégias comunitárias que capacitam os clientes a encontrar novas substâncias, não como as coisas vistas anteriormente.

Estratégias orientadas para a comunidade trabalham com a rede de comunicação que também pode ser chamada de grade de classificação na situação incomum em que os clientes dão avaliação expressa das coisas. A tarefa da IA é ganhar proficiência com uma capacidade que preveja a utilidade das coisas para cada cliente.

A matriz é normalmente enorme, excepcionalmente escassa e a maior parte das qualidades estão ausentes.

Os valores mais simples de cálculo são a comparabilidade de linhas (clientes) ou seções (coisas) e prescreve coisas que k – os vizinhos mais próximos apreciaram.

Estratégias baseadas na factorização da rede procuram diminuir a dimensão da malha de associação e inexacta-la por pelo menos duas pequenas estruturas com segmentos k dormentes.

Ao aumentar a comparação de linha e segmento você prevê a classificação das coisas pelo cliente. A preparação do erro pode ser adquirida através do contraste de avaliações não nulas com avaliações antecipadas. Da mesma forma, pode-se regularizar a preparação do infortúnio, incluindo um termo de punição, mantendo baixas as estimativas de vetores inertes.

O algoritmo de treinamento mais popular é uma descida de gradiente estocástico minimizando a perda por atualização de gradiente tanto de colunas como de linhas de matrizes p a q.

]

Alternativamente, pode-se usar o método de Alternating Least Squares que iterativamente otimiza a matriz p e a matriz q por passos de mínimos quadrados gerais.

As regras de filiação também podem ser utilizadas para uma sugestão. Coisas que são muitas vezes devoradas juntas estão associadas a uma borda no diagrama. Você pode ver cachos de blockbusters (coisas associadas a grosso modo que quase todos se conectam) e pequenos grupos isolados de conteúdo especializado.

As regras extraídas da rede de colaboração devem ter provavelmente alguma ajuda insignificante e certeza. O apoio é identificado com a recorrência do evento – as ramificações de acertos de sucesso têm grande ajuda. A alta certeza implica que as regras não são regularmente desconsideradas.

As regras da mineração não são totalmente versáteis. O cálculo APRIORI investiga o espaço de estado dos conjuntos de itens contínuos concebíveis e dispõe de partes do espaço de consulta, que não é visitado.

Conjuntos de itens frequentes são utilizados para gerar regras e estas regras geram recomendações.

Por exemplo, nós mostramos regras extrangeiras das trocas bancárias na República Tcheca. Os hubs (cooperações) são terminais e as bordas são trocas de visitas. Você pode sugerir terminais bancários que são significativamente dependentes de saques/instalações anteriores.

Punir as coisas prevalecentes e separar as regras da cauda longa com o parafuso de apoio mais baixo, leva a decisões fascinantes que expandem as propostas e ajudam a encontrar novos conteúdos.

A matriz de classificação pode ser igualmente embalada por um sistema neural. Um suposto autocodificador é fundamentalmente o mesmo que a factorização da estrutura. Autocodificadores profundos, com várias camadas ocultas e não-linearidades, são ainda mais dominantes, porém mais difíceis de preparar. A rede neural também pode ser usada para pré-processar qualidades de coisas para que possamos consolidar o conteúdo e a comunidade se aproxima.

No aprendizado profundo orientado à comunidade, você treina a fatorização da grade o tempo todo com o autocodificador consolidando os traços da coisa. Obviamente há muito mais cálculos que você pode usar para sugestão e a parte seguinte da introdução apresenta algumas estratégias dependentes do aprendizado profundo e de apoio ao aprendizado.

As recomendações podem ser avaliadas de forma correspondente como modelos tradicionais de IA em informações crônicas (avaliação desconectada).

As interações de usuários de testes selecionados aleatoriamente são validadas cruzadamente para estimar o desempenho do recomendador em classificações não vistas.

O erro de Raiz Média Quadrática (RMSE) ainda é amplamente utilizado, apesar dos inúmeros exames indicarem que o RMSE é um mau estimador da execução online.

Medida de avaliação cada vez mais viável e desconectada é a revisão ou precisão na avaliação do nível de precisão das coisas prescritas (a partir de coisas sugeridas ou importantes). DCG pensa adicionalmente sobre a posição esperando que a pertinência das coisas diminua logaritmicamente.

Pode-se utilizar medida extra que não seja tão sensível à inclinação em informações desconectadas. A inclusão de listas junto com a revisão ou precisão pode ser utilizada para a melhoria multiobjetivo. Conhecemos parâmetros de regularização com todos os cálculos que permitem controlar sua versatilidade e punir a proposta de coisas de destaque.

Tanto a revisão quanto a inclusão devem ser expandidas para que possamos recomendar propostas precisas e diferenciadas, capacitando os clientes a investigar novos conteúdos.

De vez em quando as cooperações estão ausentes. Os clientes de partida a frio ou de partida a frio precisam de mais conexões para uma estimativa confiável da comparabilidade de suas cooperações, de modo que estratégias de separação compartilhadas negligenciam a criação de sugestões.

As questões de início frio podem ser diminuídas quando a semelhança do personagem é considerada. Você pode codificar as qualidades em um vetor binário e alimentá-lo para o recomendador.

Coisas fissuradas, dependendo da sua similitude de conexão e semelhança de propriedades, são freqüentemente ajustadas.