หน้านี้มีคำศัพท์เกี่ยวกับระบบการแนะนำวิดีโอ หากต้องการดูคำศัพท์ในอภิธานศัพท์ทั้งหมด คลิกที่นี่
C
การสร้างผู้สมัคร
ชุดคำแนะนำเริ่มต้นที่ระบบการแนะนำเลือก ตัวอย่างเช่น ลองพิจารณาร้านหนังสือที่มีหนังสือถึง 100,000 เล่ม ในขั้นตอนการสร้างผู้สมัคร รายชื่อหนังสือที่เหมาะสมสำหรับผู้ใช้คนหนึ่งๆ จะมีจำนวนน้อยกว่ามาก เช่น 500 เล่ม แต่แม้แต่หนังสือ 500 เล่มก็ยังมากเกินกว่าที่จะแนะนำให้กับผู้ใช้ได้ หลังจากนั้น ระบบการแนะนำที่มีราคาแพงขึ้นเรื่อยๆ (เช่น การให้คะแนนและการจัดอันดับใหม่) จะทำให้ระบบการแนะนำ 500 รายการนี้เป็นชุดคำแนะนำที่น้อยลงและมีประโยชน์มากขึ้น
การกรองการทำงานร่วมกัน
การคาดคะเนเกี่ยวกับความสนใจของผู้ใช้รายหนึ่งโดยอิงจากความสนใจของผู้ใช้รายอื่น การกรองแบบทำงานร่วมกันมักใช้ในระบบการแนะนำ
I
เมทริกซ์รายการ
ในระบบแนะนำ เมทริกซ์ของเวกเตอร์การฝังที่สร้างขึ้นจากการแยกตัวประกอบเมทริกซ์ที่มีสัญญาณแฝงเกี่ยวกับรายการแต่ละรายการ เมทริกซ์สินค้าแต่ละแถวจะมีค่าของฟีเจอร์แฝงเดียวสำหรับรายการทั้งหมด เช่น ลองพิจารณาระบบการแนะนำภาพยนตร์ แต่ละคอลัมน์ในเมทริกซ์รายการจะแทนภาพยนตร์หนึ่งเรื่อง สัญญาณแฝงอาจแสดงถึงประเภท หรืออาจเป็นสัญญาณที่ตีความได้ยาก ซึ่งเกี่ยวข้องกับการโต้ตอบที่ซับซ้อนระหว่างประเภท ดารา อายุภาพยนตร์ หรือปัจจัยอื่นๆ
เมทริกซ์รายการมีจำนวนคอลัมน์เท่ากับเมทริกซ์เป้าหมายที่กำลังแยกตัวประกอบ เช่น ในระบบแนะนำภาพยนตร์ที่ประเมินชื่อภาพยนตร์ 10,000 เรื่อง เมทริกซ์ของรายการจะมีคอลัมน์ 10,000 คอลัมน์
items
ในระบบการแนะนำ เอนทิตีที่ระบบแนะนำ ตัวอย่างเช่น วิดีโอเป็นรายการที่ร้านขายวิดีโอ แนะนำ ขณะที่หนังสือเป็นรายการที่ร้านหนังสือแนะนำ
M
การแยกตัวประกอบเมทริกซ์
ในทางคณิตศาสตร์ กลไกในการค้นหาเมทริกซ์ซึ่งมีผลิตภัณฑ์จุดใกล้เคียงกับเมทริกซ์เป้าหมาย
ในระบบการแนะนำ เมทริกซ์เป้าหมายมักจะให้คะแนนผู้ใช้สำหรับรายการ ตัวอย่างเช่น เมทริกซ์เป้าหมายสำหรับระบบการแนะนำภาพยนตร์อาจมีลักษณะดังนี้ โดยจำนวนเต็มบวกคือการให้คะแนนของผู้ใช้ และ 0 หมายความว่าผู้ใช้ไม่ได้ให้คะแนนภาพยนตร์ดังกล่าว
คาสซาบลางกา | เรื่องราวของฟิลาเดลเฟีย | แบล็ค แพนเธอร์ (Black Panther) | ผู้หญิงมหัศจรรย์ | เรื่องเยื่อบุฟเฟต์ | |
---|---|---|---|---|---|
ผู้ใช้ 1 | 5.0 | 3.0 | 0.0 | 2.0 | 0.0 |
ผู้ใช้ 2 | 4.0 | 0.0 | 0.0 | 1.0 | 5.0 |
ผู้ใช้ 3 | 3.0 | 1.0 | 4.0 | 5.0 | 0.0 |
ระบบการแนะนำภาพยนตร์มีเป้าหมายเพื่อคาดการณ์การให้คะแนนของผู้ใช้สำหรับ ภาพยนตร์ที่ไม่มีการจัดประเภท ตัวอย่างเช่น ผู้ใช้ 1 จะชอบ Black Panther ไหม
วิธีหนึ่งสำหรับระบบการแนะนำคือการใช้การแยกตัวประกอบเมทริกซ์เพื่อสร้างเมทริกซ์ 2 รายการต่อไปนี้
- เมทริกซ์ผู้ใช้ ซึ่งมีรูปทรงตามจำนวนผู้ใช้ X จำนวนมิติข้อมูลที่ฝัง
- เมทริกซ์รายการ ซึ่งมีรูปร่างเป็นจำนวนของมิติข้อมูลที่ฝัง X จำนวนรายการ
ตัวอย่างเช่น การใช้การแยกตัวประกอบเมทริกซ์กับผู้ใช้ 3 รายและ 5 รายการอาจให้ผลลัพธ์เมทริกซ์ผู้ใช้และเมทริกซ์รายการดังต่อไปนี้
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
ผลคูณแบบจุดของเมทริกซ์ผู้ใช้และเมทริกซ์รายการจะทำให้ได้รับเมทริกซ์คำแนะนำ ซึ่งประกอบด้วยการให้คะแนนของผู้ใช้ดั้งเดิม รวมถึงการคาดคะเนภาพยนตร์ที่ผู้ใช้แต่ละคนไม่เคยเห็นด้วย เช่น ลองพิจารณาคะแนนคาซาบลังกาของผู้ใช้ 1 ซึ่งเท่ากับ 5.0 ผลคูณแบบจุดที่เกี่ยวข้องกับเซลล์นั้นในเมทริกซ์คำแนะนำควรอยู่ที่ประมาณ 5.0 และมีลักษณะดังนี้
(1.1 * 0.9) + (2.3 * 1.7) = 4.9
และที่สำคัญกว่านั้น ผู้ใช้ 1 จะชอบ Black Panther ไหม การใส่เครื่องหมายจุดที่เชื่อมโยงกับแถวแรกและคอลัมน์ที่ 3 จะทำให้ได้คะแนนที่คาดการณ์ไว้เป็น 4.3 ดังนี้
(1.1 * 1.4) + (2.3 * 1.2) = 4.3
การแยกตัวประกอบเมทริกซ์มักทำให้เมทริกซ์ผู้ใช้และเมทริกซ์รายการเมื่อรวมกันแล้วจะกะทัดรัดมากกว่าเมทริกซ์เป้าหมายอย่างมาก
R
ระบบการแนะนำวิดีโอ
ระบบที่เลือกชุดรายการที่ต้องการจากคลังข้อมูลขนาดใหญ่ให้ผู้ใช้แต่ละราย เช่น ระบบการแนะนำวิดีโออาจแนะนำวิดีโอ 2 รายการจากคลังวิดีโอ 100,000 รายการ โดยเลือก Casablanca และ The Philadelphia Story ให้กับผู้ใช้รายหนึ่ง และ Wonderเกี่ยวข้อง และ Black Panther สำหรับอีกคนหนึ่ง ระบบการแนะนำวิดีโออาจแนะนำวิดีโอ โดยอิงตามปัจจัยต่างๆ เช่น
- ภาพยนตร์ที่ผู้ใช้ที่คล้ายกันได้ให้คะแนนหรือดู
- ประเภท ผู้กำกับ นักแสดง กลุ่มประชากรเป้าหมาย...
การจัดอันดับใหม่
ขั้นตอนสุดท้ายของระบบการแนะนำนั้น ในระหว่างที่มีการให้คะแนนรายการหนึ่งๆ อาจมีการให้คะแนนซ้ำตามอัลกอริทึมอื่นๆ (โดยทั่วไปที่ไม่ใช่ ML) การจัดอันดับอีกครั้งจะประเมินรายการที่สร้างโดยระยะการให้คะแนน โดยดำเนินการดังต่อไปนี้
- ลบรายการที่ผู้ใช้ซื้อไปแล้ว
- กระตุ้นคะแนนของสินค้าใหม่
S
การให้คะแนน
ส่วนหนึ่งของระบบคำแนะนำที่ให้ค่าหรือการจัดอันดับสำหรับแต่ละรายการที่เกิดจากระยะการสร้างผู้สมัคร
U
เมทริกซ์ผู้ใช้
ในระบบแนะนำ เวกเตอร์การฝังที่สร้างขึ้นจากการแยกตัวประกอบเมทริกซ์ที่มีสัญญาณแฝงเกี่ยวกับค่ากำหนดของผู้ใช้ เมทริกซ์ผู้ใช้แต่ละแถวมีข้อมูลเกี่ยวกับความแรงสัมพัทธ์ของสัญญาณแฝงต่างๆ สำหรับผู้ใช้รายเดียว เช่น ลองพิจารณาระบบการแนะนำภาพยนตร์ ในระบบนี้ สัญญาณแฝงในเมทริกซ์ผู้ใช้อาจแสดงถึงความสนใจของผู้ใช้แต่ละคนในบางประเภท หรืออาจเป็นสัญญาณที่ยากกว่าในการตีความซึ่งเกี่ยวข้องกับการโต้ตอบที่ซับซ้อนในหลายๆ ปัจจัย
เมทริกซ์ผู้ใช้จะมีคอลัมน์สำหรับฟีเจอร์แฝงแต่ละรายการ และแถวสำหรับผู้ใช้แต่ละราย กล่าวคือ เมทริกซ์ผู้ใช้จะมีจำนวนแถวเท่ากับเมทริกซ์เป้าหมายที่กำลังแยกตัวประกอบ เช่น เมื่อมีระบบแนะนำภาพยนตร์สำหรับผู้ใช้ 1,000,000 คน เมทริกซ์ผู้ใช้จะมีแถว 1,000,000 แถว
W
สี่เหลี่ยมจัตุรัสน้อยที่สุดแบบถ่วงน้ำหนัก (WALS)
อัลกอริทึมสำหรับการลดฟังก์ชันวัตถุประสงค์ในระหว่างการแยกตัวประกอบเมทริกซ์ในระบบการแนะนำ ซึ่งช่วยลดจำนวนตัวอย่างที่หายไปได้ WALS ช่วยลดความคลาดเคลื่อนกำลังสองแบบถ่วงน้ำหนักระหว่างเมทริกซ์เดิมกับการสร้างใหม่ด้วยการผกผันระหว่างการแก้ไขการแยกตัวประกอบแถวและการแยกตัวประกอบคอลัมน์ การเพิ่มประสิทธิภาพแต่ละรายการจะแก้ไขได้ด้วยการเพิ่มประสิทธิภาพ Convvex กำลังสองเป็นอย่างน้อย ดูรายละเอียดได้ที่หลักสูตรระบบการแนะนำ