Алгоритмы

Алгоритмы машинного обучения в рекомендательных системах, как правило, делятся на две категории – методы просеивания, основанные на содержании, и методы просеивания, ориентированные на сообщества, хотя современные рекомендатели объединяют эти две методики. Совокупность стратегий контента основана на уважении сходства качеств вещей, а коммуникационно-ориентированные методы – на близости от коммуникаций. В основном речь идет об общинных стратегиях, позволяющих клиентам находить новое содержание, но совсем не о том, что было раньше.

https://miro.medium.com/max/800/0*1tOjnxfUbtAQnhiO

Коммуникационно-ориентированные стратегии работают с коммуникационной сетью, которую также можно назвать рейтинговой сеткой в необычной ситуации, когда клиенты дают экспресс-оценку вещей. Задача ИИ заключается в том, чтобы получить квалификацию, которая предсказывает полезность вещей для каждого клиента

https://miro.medium.com/max/800/0*xl72u0bvb_j2hV2w

Матрица обычно огромна, исключительно скудна и большая часть качеств отсутствует.

Самое простое вычисление – это косинус или связь, сравнимость линий (клиентов) или сечений (вещей) и предписывает вещи, которые k – близкие соседи оценили

https://miro.medium.com/max/800/0*ZEaYcKjjV6RK-VfU

Стратегии, основанные на сетевой факторизации, стремятся к уменьшению размерности решетки ассоциации и ее неточности, по крайней мере, двумя небольшими каркасами с k неактивными сегментами

https://miro.medium.com/max/1392/0*1SFw18gXgdSRsa8N

Увеличивая сравнительную линию и сегмент, вы предугадываете рейтинг вещи клиентом. Ошибка при подготовке может быть получена путем сопоставления недействительных оценок с ожидаемыми оценками. Также можно упорядочить подготовку промаха, включив в нее штрафной срок, удерживая оценки инертных векторов на низком уровне.

https://miro.medium.com/max/800/0*LVoAqzjzlWw5xP2K

Наиболее популярным алгоритмом обучения является стохастический градиентный спуск, минимизирующий потери при градиентном обновлении обеих колонок и рядов матриц p a q.

https://miro.medium.com/max/800/0*ZgnXVlPYBMqAIftC

https://miro.medium.com/max/800/0*ZgnXVlPYBMqAIftC

 

В качестве альтернативы можно использовать метод наименьших квадратов, который итеративно оптимизирует матрицу p и матрицу q по шагу наименьших квадратов.

https://miro.medium.com/max/800/0*TFRAujsJuRjStL-z

Для предложения также могут использоваться правила примирения. Вещи, которые часто поглощаются вместе, ассоциируются с краем на диаграмме. Вы можете видеть пучки блокбастеров (толсто связанные вещи, с которыми связаны почти все) и небольшие изолированные группы специализированного контента.

https://miro.medium.com/max/800/0*Wr-AhFrT8h42Jctu

Правила, разработанные в сети сотрудничества, должны обладать, вероятно, незначительной помощью и уверенностью. Поддержка идентифицируется с повторением события – последствия аварийных хитов имеют высокую помощь. Высокая уверенность подразумевает, что правила не игнорируются регулярно.

https://miro.medium.com/max/800/0*H-Qh-QIY8hw7ueid

Правила добычи не совсем универсальны. Расчет АПРИОРИ исследует пространство состояний мыслимых непрерывных наборов предметов и распоряжается частями пространства опроса, которое не посещается

https://miro.medium.com/max/800/0*8UjC23xl142gNukr

Частые наборы элементов используются для создания правил, и эти правила генерируют рекомендации.

https://miro.medium.com/max/800/0*h8RNPTnENwZ-ZNpR

Например, мы показываем правила, вытекающие из работы банковских бирж в Чешской Республике. Центры (кооперации) – это терминалы, а края – это визитные биржи. Вы можете предложить банковские терминалы, которые в значительной степени зависят от прошлых выводов/инсталляций.

https://miro.medium.com/max/800/0*LYlF9eVIQbprtej5

Наказание превалирующих вещей и разделение правил длинного хвоста с более низкими подсказками поддержки увлекательно решает, что расширить предложения и помочь найти новое содержание

https://miro.medium.com/max/800/0*Uc4pI9G1D8pHG67Q

Рейтинговая матрица также может быть упакована нейронной системой. Предполагаемый автокодировщик по сути такой же, как и каркасная факторизация. Глубокие автокодировщики, с различными скрытыми слоями и нелинейностями, тем более доминируют, как бы трудно их ни было подготовить. Нейронная сеть также может быть использована для препроцессирования вещей, так что мы можем консолидировать контент и сообщество приближается.

https://miro.medium.com/max/800/0*gpVx7bweodK0WYN1

В углубленном обучении, ориентированном на сообщества, вы тренируете факторизацию сетки, в то время как с автокодировщиком консолидируются черты вещей. Очевидно, что существует гораздо больше вычислений, которые вы можете использовать для внушения, и следующая часть введения представляет несколько стратегий, зависящих от глубокого и поддерживающего обучения

https://miro.medium.com/max/800/0*iBB7UGxRVWAta0ri

Рекомендации могут оцениваться соответственно как традиционные модели искусственного осеменения на основе хронической информации (разрозненная оценка)

https://miro.medium.com/max/800/0*JLNWaiyubDYXOkf3

Взаимодействие случайно выбранных пользователей тестирования подвергается перекрестной проверке для оценки работы рекомендателя по невидимым рейтингам

https://miro.medium.com/max/800/0*fumY8hRkzmo2XRjE

Квадратный просчет корневого среднего значения (ПСПЧ) по-прежнему широко используется, несмотря на многочисленные обследования, свидетельствующие о том, что ПСПЧ является плохой оценкой онлайнового исполнения

https://miro.medium.com/max/800/0*B3Bjy-bAmzSG4VEE

Все более жизнеспособной разрозненной оценочной мерой является обзор или точность оценки уровня точно прописанных вещей (из предложенных или важных вещей). DCG дополнительно думает о позиции, ожидая, что уместность вещей логарифмически уменьшается.

https://miro.medium.com/max/800/0*iqXm7CHrMGPTzhA4

Можно использовать дополнительные меры, которые не настолько трогательны для наклона в отключенной информации. Включение списка вместе с обзором или точностью может быть использовано для многоцелевого улучшения. Мы ознакомились с параметрами регуляризации всех вычислений, позволяющими контролировать их универсальность и наказывать за предложение выдающихся вещей.

https://miro.medium.com/max/800/0*9yp4yTlvBbO3kkvH

Следует расширить как обзор, так и включение, с тем чтобы мы могли рекомендовать точные и отличающиеся друг от друга предложения, дающие клиентам возможность исследовать новое содержание

https://miro.medium.com/max/800/0*Ij-5PRNLGHn7fhwf

Время от времени сотрудничество отсутствует. Холодные стартовые элементы или клиенты холодного старта нуждаются в большем количестве соединений для надежной оценки их сопоставимости сотрудничества, поэтому общие стратегии разделения пренебрегают для создания предложений

https://miro.medium.com/max/800/0*9LyXYcrx3yxxOMHG

Проблемы холодного старта могут быть уменьшены, когда учитывается подобие персонажа. Вы можете кодировать качества в двоичный вектор и скормить его рекомендующему.

https://miro.medium.com/max/800/0*V4Q57_afG6VHP1rw

Вещи, скомпонованные в зависимости от их сходства с соединениями и имущественного сходства, часто регулируются.

https://miro.medium.com/max/800/0*9JtdaFfiSuJ7Uq3a