อภิธานศัพท์ของแมชชีนเลิร์นนิง: ระบบการแนะนำวิดีโอ

หน้านี้มีคำศัพท์ต่างๆ ในอภิธานศัพท์ของระบบการแนะนำข้อมูล สำหรับคำศัพท์ในอภิธานศัพท์ทั้งหมด คลิกที่นี่

C

รุ่นของผู้สมัคร

#recsystems

คำแนะนำชุดเริ่มต้นที่ ระบบการแนะนำ ตัวอย่างเช่น ลองพิจารณา ร้านหนังสือที่มีหนังสือกว่า 100,000 เล่ม ขั้นตอนการสร้างผู้สมัคร รายการหนังสือที่เหมาะกับผู้ใช้แต่ละคนที่มีขนาดเล็กกว่ามาก เช่น 500 เล่ม แต่ถึงกระนั้น หนังสือ 500 เล่มเป็นจำนวนที่มากเกินกว่าที่จะแนะนำให้แก่ผู้ใช้ได้ ลำดับต่อมา ซึ่งมีราคาแพงกว่า ระยะต่างๆ ของระบบการแนะนำ (เช่น การให้คะแนนและ ทำอันดับใหม่) ลด 500 เหล่านั้นให้เหลือน้อยที่สุด ชุดคำแนะนำที่มีประโยชน์มากขึ้น

การกรองแบบทำงานร่วมกัน

#recsystems

การคาดเดาความสนใจของผู้ใช้รายเดียว ตามความสนใจของผู้ใช้คนอื่นๆ การกรองการทำงานร่วมกัน มักใช้ในระบบการแนะนำ

I

เมทริกซ์รายการ

#recsystems

ในระบบการแนะนำ เมทริกซ์ของเวกเตอร์การฝังที่สร้างขึ้นจาก การแยกตัวประกอบเมทริกซ์ ที่มีสัญญาณแฝงเกี่ยวกับสินค้าแต่ละรายการ แต่ละแถวของเมทริกซ์รายการจะเก็บค่าแฝงเดี่ยว สำหรับทุกรายการ ตัวอย่างเช่น ลองพิจารณาระบบการแนะนำภาพยนตร์ แต่ละคอลัมน์ ในเมทริกซ์รายการจะแสดงภาพยนตร์เรื่องเดียว สัญญาณแฝง อาจแสดงถึงประเภท หรืออาจตีความได้ยากขึ้น ที่เกี่ยวข้องกับการโต้ตอบที่ซับซ้อนระหว่างประเภท ดาว อายุของภาพยนตร์ หรือปัจจัยอื่นๆ

เมทริกซ์รายการมีจำนวนคอลัมน์เท่ากับเป้าหมาย เมทริกซ์ที่กำลังแยกตัวประกอบ เช่น ระบุภาพยนตร์ ระบบการแนะนำที่ประเมินภาพยนตร์ 10,000 เรื่อง เมทริกซ์รายการจะมี 10,000 คอลัมน์

รายการ

#recsystems

ในระบบการแนะนำ เอนทิตีที่ ที่ระบบแนะนำ เช่น วิดีโอคือสินค้าที่วิดีโอจัดเก็บ ขณะที่หนังสือคือรายการที่ร้านหนังสือแนะนำ

M

การแยกตัวประกอบเมทริกซ์

#recsystems

ในทางคณิตศาสตร์ กลไกในการหาเมทริกซ์ที่ผลคูณของจุดมีค่าโดยประมาณ เมทริกซ์เป้าหมาย

ในระบบการแนะนำ เมทริกซ์เป้าหมาย ที่ดึงดูดกลุ่มผู้ใช้ การให้คะแนนใน items ตัวอย่างเช่น เป้าหมาย สำหรับระบบการแนะนำภาพยนตร์ อาจมีลักษณะดังนี้ ต่อท้าย โดยที่จำนวนเต็มบวกคือการให้คะแนนของผู้ใช้และ 0 หมายความว่าผู้ใช้ไม่ได้ให้คะแนนภาพยนตร์

  คาสซาบลางกา เรื่องราวของฟิลาเดลเฟีย แบล็ค แพนเธอร์ (Black Panther) ผู้หญิงมหัศจรรย์ นิยายเกี่ยวกับเนื้อเรื่อง
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

ระบบการแนะนำภาพยนตร์นี้มีวัตถุประสงค์เพื่อคาดการณ์การให้คะแนนของผู้ใช้สำหรับ ภาพยนตร์ที่ไม่มีการจัดประเภท เช่น ผู้ใช้ 1 จะชอบ Black Panther ไหม

แนวทางหนึ่งสำหรับระบบการแนะนำคือการใช้เมทริกซ์ การแยกตัวประกอบเพื่อสร้างเมทริกซ์ 2 รายการต่อไปนี้

ตัวอย่างเช่น การใช้การแยกตัวประกอบเมทริกซ์กับผู้ใช้ 3 รายและ 5 รายการของเรา อาจแสดงผลเมทริกซ์ผู้ใช้และเมทริกซ์รายการดังต่อไปนี้

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

ผลคูณของจุดของเมทริกซ์ผู้ใช้และเมทริกซ์รายการจะแสดงคำแนะนำ เมทริกซ์ที่ไม่เพียงมีการให้คะแนนของผู้ใช้ดั้งเดิมเท่านั้น แต่ยังรวมถึงการคาดการณ์ สำหรับภาพยนตร์ที่ผู้ใช้แต่ละรายไม่ได้ดู เช่น ลองพิจารณาคะแนน Casablanca จากผู้ใช้ 1 ซึ่งเท่ากับ 5.0 จุด ของผลิตภัณฑ์ที่เกี่ยวข้องกับเซลล์นั้นในเมทริกซ์คำแนะนำ หวังว่าจะอยู่ที่ราวๆ 5.0 และก็

(1.1 * 0.9) + (2.3 * 1.7) = 4.9

ยิ่งไปกว่านั้น ผู้ใช้ 1 จะชอบ Black Panther ไหม การหาผลคูณ แถวแรกและคอลัมน์ที่ 3 แสดงค่าที่คาดการณ์ คะแนน 4.3:

(1.1 * 1.4) + (2.3 * 1.2) = 4.3

การแยกตัวประกอบเมทริกซ์มักให้เมทริกซ์ผู้ใช้และเมทริกซ์รายการ รวมกันแล้วมีขนาดกะทัดรัดมากกว่าเมทริกซ์เป้าหมายอย่างมาก

R

ระบบการแนะนำ

#recsystems

ระบบที่เลือกกลุ่มที่ต้องการสำหรับผู้ใช้แต่ละราย items จากคลังข้อมูลขนาดใหญ่ ตัวอย่างเช่น ระบบการแนะนำวิดีโออาจแนะนำวิดีโอ 2 รายการ จากคลังวิดีโอกว่า 100,000 รายการ เลือกคาซาบลังกา และ The Philadelphia Story สำหรับผู้ใช้ 1 ราย และ Wondergirl และ Black Panther สำหรับอีกเวอร์ชัน ระบบการแนะนำวิดีโออาจ จะอิงตามคำแนะนำจากปัจจัยต่างๆ เช่น

  • ภาพยนตร์ที่ผู้ใช้ที่คล้ายกันเคยให้คะแนนหรือรับชม
  • ประเภท ผู้กำกับ นักแสดง กลุ่มประชากรเป้าหมาย...

การจัดอันดับใหม่

#recsystems

ขั้นตอนสุดท้ายของระบบการแนะนำ ซึ่งในระหว่างนี้ อาจมีการให้คะแนนใหม่ตามรายการการให้คะแนนอื่นๆ (มักจะไม่ใช่ ML) การจัดอันดับใหม่จะประเมินรายการเนื้อหา ที่สร้างขึ้นจากระยะการให้คะแนน ดำเนินการต่างๆ เช่น

  • การกำจัดสินค้าที่ผู้ใช้ซื้อไปแล้ว
  • เพิ่มคะแนนให้รายการใหม่ๆ

S

การให้คะแนน

#recsystems

ส่วนของระบบการแนะนำที่ จะให้ค่าหรือการจัดอันดับสำหรับแต่ละรายการที่ผลิตโดย การสร้างผู้สมัคร

U

เมทริกซ์ผู้ใช้

#recsystems

ในระบบการแนะนำ เวกเตอร์การฝังที่สร้างขึ้นโดย การแยกตัวประกอบเมทริกซ์ ซึ่งมีสัญญาณแฝงเกี่ยวกับความต้องการของผู้ใช้ แต่ละแถวของเมทริกซ์ผู้ใช้จะเก็บข้อมูลเกี่ยวกับ ความแรงของสัญญาณแฝงต่างๆ สำหรับผู้ใช้รายเดียว ตัวอย่างเช่น ลองพิจารณาระบบการแนะนำภาพยนตร์ ในระบบนี้ สัญญาณแฝงในเมทริกซ์ของผู้ใช้อาจแสดงถึงความสนใจของผู้ใช้แต่ละราย สำหรับบางประเภท หรืออาจตีความสัญญาณที่เกี่ยวข้องกับ การโต้ตอบที่ซับซ้อนในหลายๆ ปัจจัย

เมทริกซ์ผู้ใช้จะมีคอลัมน์สำหรับฟีเจอร์แฝงแต่ละรายการและแถวสำหรับผู้ใช้แต่ละราย กล่าวคือ เมทริกซ์ผู้ใช้จะมีจำนวนแถวเท่ากับเป้าหมาย เมทริกซ์ที่กำลังแยกตัวประกอบ เช่น ระบุภาพยนตร์ ระบบการแนะนำวิดีโอสำหรับผู้ใช้ 1,000,000 คน เมทริกซ์ผู้ใช้จะมี 1,000,000 แถว

W

สี่เหลี่ยมจัตุรัสน้อยที่สุดสลับกันแบบถ่วงน้ำหนัก (WALS)

#recsystems

อัลกอริทึมสำหรับการปรับฟังก์ชันวัตถุประสงค์ให้น้อยที่สุดในระหว่าง การแยกตัวประกอบเมทริกซ์ใน ระบบการแนะนำ ซึ่งช่วยให้ การลดน้ำหนักของตัวอย่างที่ขาดหายไป WALS ช่วยลดน้ำหนัก ความคลาดเคลื่อนกำลังสองระหว่างเมทริกซ์เดิมกับการสร้างใหม่โดย สลับระหว่างการแก้ไขการแยกตัวประกอบแถวและการแยกตัวประกอบคอลัมน์ การเพิ่มประสิทธิภาพแต่ละอย่างนี้จะแก้ได้ด้วยกำลังสองที่น้อยที่สุด การเพิ่มประสิทธิภาพ Conv. โปรดดูรายละเอียดที่ หลักสูตรระบบการแนะนำวิดีโอ