Diese Seite enthält Begriffe aus dem Recommendation Systems-Glossar. Für alle Glossarbegriffe klicken Sie hier.
C
Kandidatengenerierung
Der erste Satz von Empfehlungen, die von einem Empfehlungssystem. Stellen Sie sich zum Beispiel eine Buchhandlung mit 100.000 Titeln. In der Phase der Kandidatenerstellung werden eine viel kleinere Liste geeigneter Bücher für einen bestimmten Nutzer, z. B. 500. Aber selbst 500 Bücher sind viel zu viele, um sie einem Nutzer zu empfehlen. Nachfolgende, teurere, Phasen eines Empfehlungssystems (z. B. Bewertung und Re-Ranking) diese 500 auf einen viel kleineren nützlichere Empfehlungen erhalten.
kollaboratives Filtern
Vorhersagen zu den Interessen eines Nutzers treffen die auf den Interessen vieler anderer Nutzenden basieren. Kollaboratives Filtern wird häufig in Empfehlungssystemen verwendet.
I
Elementmatrix
In Empfehlungssystemen wird ein Matrix der Einbettungsvektoren, generiert von Matrixfaktorisierung das latente Signale zu jedem Artikel enthält. Jede Zeile der Elementmatrix enthält den Wert einer einzelnen latenten für alle Artikel. Sehen wir uns als Beispiel ein Filmempfehlungssystem an. Jede Spalte in der Elementmatrix steht für einen einzelnen Film. Latente Signale sie stehen möglicherweise für Genres oder sind schwerer zu interpretieren Signale, die komplexe Interaktionen zwischen Genre, Stars, das Alter des Films oder andere Faktoren.
Die Elementmatrix hat dieselbe Anzahl von Spalten wie das Ziel Matrix, die faktorisiert wird. Wenn beispielsweise ein Film ein Empfehlungssystem zur Bewertung von 10.000 Filmtiteln, 10.000 Spalten hat.
Artikel
In einem Empfehlungssystem werden die Entitäten, die ein System empfiehlt. Videos sind z. B. die Artikel, die in einem Video gespeichert werden. und Bücher die Artikel, die eine Buchhandlung empfiehlt.
M
Matrixfaktorisierung
In der Mathematik: ein Mechanismus zum Ermitteln der Matrizen, deren Punktprodukt einem Zielmatrix.
In Empfehlungssystemen: Die Zielmatrix enthält häufig die Bewertungen zu Artikeln. Zum Beispiel könnte das Ziel für ein Filmempfehlungssystem, könnte die Matrix in etwa so aussehen: , wobei die positiven Ganzzahlen die Nutzerbewertungen und 0 bedeutet, dass der Nutzer den Film nicht bewertet hat:
| Casablanca | Die Philadelphia Story | Black Panther | Wonder Woman | Pulp Fiction | |
|---|---|---|---|---|---|
| Nutzer 1 | 5 | 3 | 0,0 | 2 | 0,0 |
| Nutzer 2 | 4.0 | 0,0 | 0,0 | 1.0 | 5 |
| Nutzer 3 | 3 | 1.0 | 4.0 | 5,0 | 0,0 |
Das Filmempfehlungssystem soll Nutzerbewertungen für Filme ohne Altersfreigabe. Beispiel: Wird Nutzer 1 Black Panther mögen?
Ein Ansatz für Empfehlungssysteme ist die Verwendung der Matrix Faktorisierung zur Generierung der folgenden beiden Matrizen verwendet:
- Eine Nutzermatrix, die sich durch die Anzahl der Nutzer × die Anzahl der Einbettungsdimensionen.
- Eine Elementmatrix in Form der Anzahl der Einbettungen Dimensionen x Anzahl der Elemente.
Wenn wir z. B. die Matrixfaktorisierung auf drei Nutzende und fünf Elemente anwenden, könnte die folgende Nutzer- und Artikelmatrix ergeben:
User Matrix Item Matrix 1.1 2.3 0.9 0.2 1.4 2.0 1.2 0.6 2.0 1.7 1.2 1.2 -0.1 2.1 2.5 0.5
Das Skalarprodukt der Nutzer- und Artikelmatrix liefert eine Empfehlung. Matrix, die nicht nur die ursprünglichen Nutzerbewertungen, sondern auch die Vorhersagen enthält die die einzelnen Nutzer noch nicht gesehen haben. Nehmen wir zum Beispiel die Bewertung von Nutzer 1 von Casablanca, also 5, 0. Der Punkt Produkt, das dieser Zelle in der Empfehlungsmatrix entspricht, hoffentlich etwa bei 5,0 liegen, und es ist:
(1.1 * 0.9) + (2.3 * 1.7) = 4.9
Und was noch wichtiger ist: Wird Nutzer 1 Black Panther mögen? Punktprodukt nehmen die der ersten Zeile entspricht und die dritte Spalte eine vorhergesagte Bewertung von 4,3:
(1.1 * 1.4) + (2.3 * 1.2) = 4.3
Die Matrixfaktorisierung liefert in der Regel eine Nutzer- und Elementmatrix, die zusammen, deutlich kompakter als die Zielmatrix.
R
Empfehlungssystem
Ein System, das für jeden Nutzer eine relativ kleine Gruppe von gewünschten Elemente aus einem großen Korpus auswählen. Ein Videoempfehlungssystem kann beispielsweise zwei Videos empfehlen, aus einem Korpus von 100.000 Videos auswählen, indem ich Casablanca und The Philadelphia Story für einen Nutzer und Wonder Woman und Black Panther. Ein Videoempfehlungssystem seine Empfehlungen auf Faktoren wie den folgenden basieren:
- Filme, die von ähnlichen Nutzern bewertet oder angesehen wurden.
- Genre, Regisseure, Schauspieler, demografische Zielgruppe...
Re-Ranking
Die letzte Phase eines Empfehlungssystems, in denen bewertete Elemente möglicherweise gemäß anderen (in der Regel kein ML-Algorithmus). Beim Re-Ranking wird die Liste der Elemente bewertet. die in der Bewertungsphase generiert werden. Dazu gehören:
- Artikel, die der Nutzer bereits gekauft hat, werden entfernt.
- Neuere Artikel gewinnen
S
Bewertung
Der Teil eines Empfehlungssystems, einen Wert oder eine Rangfolge für jeden vom Kandidatenerstellung.
U
Nutzermatrix
In Empfehlungssystemen wird ein Einbettungsvektor generiert von Matrixfaktorisierung die latente Signale zu Nutzereinstellungen enthält. Jede Zeile der User-Matrix enthält Informationen über die relative der Stärke verschiedener latenter Signale für einen einzelnen Nutzer. Sehen wir uns als Beispiel ein Filmempfehlungssystem an. In diesem System Die latenten Signale in der Nutzermatrix könnten das Interesse der einzelnen Nutzenden darstellen. oder schwerer zu interpretierende Signale sein, komplexe Interaktionen über mehrere Faktoren hinweg.
Die Nutzermatrix verfügt über eine Spalte für jedes latente Merkmal und eine Zeile für jeden Nutzer. Das heißt, die Nutzermatrix hat dieselbe Anzahl von Zeilen wie die Zielmatrix Matrix, die faktorisiert wird. Wenn beispielsweise ein Film Empfehlungssystem für 1.000.000 Nutzer User-Matrix 1.000.000 Zeilen haben.
W
Gewichtete abwechselnde kleinste Quadrate (WALS)
Algorithmus zur Minimierung der Zielfunktion während Matrixfaktorisierung in Empfehlungssysteme, die eine eine Herabstufung der fehlenden Beispiele. WALS minimiert die Gewichtung quadrierten Fehler zwischen der ursprünglichen Matrix und der Rekonstruktion durch zwischen der Korrektur der Zeilenfaktorisierung und der Spaltenfaktorisierung. Jede dieser Optimierungen kann durch die kleinsten Quadrate behoben werden. Konvexoptimierung: Weitere Informationen finden Sie in der Kurs zu Recommendation Systems