এই পৃষ্ঠায় সুপারিশ সিস্টেমের শব্দকোষ রয়েছে। সকল শব্দকোষের জন্য এখানে ক্লিক করুন ।
গ
প্রার্থী প্রজন্ম
একটি সুপারিশ সিস্টেম দ্বারা নির্বাচিত সুপারিশের প্রাথমিক সেট৷ উদাহরণস্বরূপ, একটি বইয়ের দোকান বিবেচনা করুন যা 100,000 শিরোনাম অফার করে। প্রার্থী প্রজন্মের পর্যায় একটি নির্দিষ্ট ব্যবহারকারীর জন্য উপযুক্ত বইয়ের একটি অনেক ছোট তালিকা তৈরি করে, বলুন 500। কিন্তু এমনকি 500টি বইও ব্যবহারকারীর কাছে সুপারিশ করার মতো অনেক বেশি। পরবর্তী, আরও ব্যয়বহুল, একটি সুপারিশ ব্যবস্থার পর্যায়গুলি (যেমন স্কোরিং এবং পুনরায় র্যাঙ্কিং ) সেই 500 কে অনেক ছোট, আরও দরকারী সুপারিশের সেটে কমিয়ে দেয়।
সহযোগী ফিল্টারিং
অন্য অনেক ব্যবহারকারীর স্বার্থের উপর ভিত্তি করে একজন ব্যবহারকারীর স্বার্থ সম্পর্কে ভবিষ্যদ্বাণী করা। সহযোগিতামূলক ফিল্টারিং প্রায়ই সুপারিশ সিস্টেমে ব্যবহৃত হয়।
আমি
আইটেম ম্যাট্রিক্স
সুপারিশ সিস্টেমে , ম্যাট্রিক্স ফ্যাক্টরাইজেশন দ্বারা উত্পন্ন এমবেডিং ভেক্টরের একটি ম্যাট্রিক্স যা প্রতিটি আইটেম সম্পর্কে সুপ্ত সংকেত ধারণ করে। আইটেম ম্যাট্রিক্সের প্রতিটি সারি সমস্ত আইটেমের জন্য একটি একক সুপ্ত বৈশিষ্ট্যের মান ধারণ করে। উদাহরণস্বরূপ, একটি চলচ্চিত্র সুপারিশ সিস্টেম বিবেচনা করুন. আইটেম ম্যাট্রিক্সের প্রতিটি কলাম একটি একক চলচ্চিত্রের প্রতিনিধিত্ব করে। সুপ্ত সংকেতগুলি ঘরানার প্রতিনিধিত্ব করতে পারে, বা সংকেতগুলিকে ব্যাখ্যা করা কঠিন হতে পারে যা জেনার, তারকা, চলচ্চিত্রের বয়স বা অন্যান্য কারণগুলির মধ্যে জটিল মিথস্ক্রিয়া জড়িত।
আইটেম ম্যাট্রিক্সে ফ্যাক্টরাইজ করা লক্ষ্য ম্যাট্রিক্সের সমান কলাম রয়েছে। উদাহরণস্বরূপ, একটি মুভি সুপারিশ সিস্টেম দেওয়া হয়েছে যা 10,000 মুভির শিরোনাম মূল্যায়ন করে, আইটেম ম্যাট্রিক্সে 10,000 কলাম থাকবে।
আইটেম
একটি সুপারিশ সিস্টেমে , একটি সিস্টেম সুপারিশ করে যে সত্তা. উদাহরণস্বরূপ, ভিডিও হল এমন আইটেম যা একটি ভিডিও স্টোর সুপারিশ করে, যখন বইগুলি হল সেই আইটেমগুলি যা একটি বইয়ের দোকান সুপারিশ করে৷
এম
ম্যাট্রিক্স ফ্যাক্টরাইজেশন
গণিতে, ম্যাট্রিক্সগুলি খুঁজে বের করার একটি পদ্ধতি যার ডট পণ্যটি লক্ষ্য ম্যাট্রিক্সের আনুমানিক।
সুপারিশ সিস্টেমে , টার্গেট ম্যাট্রিক্স প্রায়ই আইটেমগুলিতে ব্যবহারকারীদের রেটিং ধারণ করে। উদাহরণস্বরূপ, একটি মুভি সুপারিশ সিস্টেমের জন্য লক্ষ্য ম্যাট্রিক্স নিম্নলিখিত মত কিছু দেখতে পারে, যেখানে ধনাত্মক পূর্ণসংখ্যা হল ব্যবহারকারীর রেটিং এবং 0 এর মানে হল যে ব্যবহারকারী সিনেমাটিকে রেট দেননি:
| কাসাব্লাঙ্কা | ফিলাডেলফিয়ার গল্প | ব্ল্যাক প্যান্থার | ওয়ান্ডার ওম্যান | পাল্প ফিকশন | |
|---|---|---|---|---|---|
| ব্যবহারকারী 1 | 5.0 | 3.0 | 0.0 | 2.0 | 0.0 |
| ব্যবহারকারী 2 | 4.0 | 0.0 | 0.0 | 1.0 | 5.0 |
| ব্যবহারকারী 3 | 3.0 | 1.0 | 4.0 | 5.0 | 0.0 |
মুভি সুপারিশ সিস্টেমের লক্ষ্য হল রেটিংহীন মুভিগুলির জন্য ব্যবহারকারীর রেটিং পূর্বাভাস দেওয়া৷ উদাহরণস্বরূপ, ব্যবহারকারী 1 কি ব্ল্যাক প্যান্থার পছন্দ করবে?
সুপারিশ সিস্টেমের জন্য একটি পদ্ধতি হল নিম্নলিখিত দুটি ম্যাট্রিক্স তৈরি করতে ম্যাট্রিক্স ফ্যাক্টরাইজেশন ব্যবহার করা:
- একটি ব্যবহারকারী ম্যাট্রিক্স , ব্যবহারকারীর সংখ্যা X এম্বেডিং মাত্রার সংখ্যা হিসাবে আকৃতির।
- একটি আইটেম ম্যাট্রিক্স , এম্বেডিং মাত্রার সংখ্যা X আইটেমের সংখ্যা হিসাবে আকার।
উদাহরণস্বরূপ, আমাদের তিনজন ব্যবহারকারী এবং পাঁচটি আইটেমের উপর ম্যাট্রিক্স ফ্যাক্টরাইজেশন ব্যবহার করলে নিম্নলিখিত ব্যবহারকারী ম্যাট্রিক্স এবং আইটেম ম্যাট্রিক্স পাওয়া যাবে:
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
ইউজার ম্যাট্রিক্স এবং আইটেম ম্যাট্রিক্সের ডট প্রোডাক্ট একটি সুপারিশ ম্যাট্রিক্স প্রদান করে যেটিতে শুধুমাত্র মূল ব্যবহারকারীর রেটিংই থাকে না কিন্তু প্রত্যেক ব্যবহারকারী দেখেননি এমন সিনেমাগুলির জন্য ভবিষ্যদ্বাণীও থাকে। উদাহরণস্বরূপ, ক্যাসাব্লাঙ্কার ব্যবহারকারী 1 এর রেটিং বিবেচনা করুন, যা ছিল 5.0। সুপারিশ ম্যাট্রিক্সে সেই ঘরের সাথে সম্পর্কিত ডট পণ্যটি আশা করা যায় প্রায় 5.0 হওয়া উচিত, এবং এটি হল:
(1.1 * 0.9) + (2.3 * 1.7) = 4.9
আরও গুরুত্বপূর্ণ, ব্যবহারকারী 1 কি ব্ল্যাক প্যান্থার পছন্দ করবে? প্রথম সারি এবং তৃতীয় কলামের সাথে সম্পর্কিত ডট পণ্য গ্রহণ করলে 4.3 এর পূর্বাভাসিত রেটিং পাওয়া যায়:
(1.1 * 1.4) + (2.3 * 1.2) = 4.3
ম্যাট্রিক্স ফ্যাক্টরাইজেশন সাধারণত একটি ব্যবহারকারী ম্যাট্রিক্স এবং আইটেম ম্যাট্রিক্স প্রদান করে যেগুলি একসাথে লক্ষ্য ম্যাট্রিক্সের তুলনায় উল্লেখযোগ্যভাবে বেশি কম্প্যাক্ট।
আর
সুপারিশ সিস্টেম
একটি সিস্টেম যা প্রতিটি ব্যবহারকারীর জন্য একটি বড় কর্পাস থেকে পছন্দসই আইটেমগুলির একটি অপেক্ষাকৃত ছোট সেট নির্বাচন করে। উদাহরণস্বরূপ, একটি ভিডিও সুপারিশ সিস্টেম 100,000 ভিডিওর একটি কর্পাস থেকে দুটি ভিডিও সুপারিশ করতে পারে, একজন ব্যবহারকারীর জন্য ক্যাসাব্লাঙ্কা এবং দ্য ফিলাডেলফিয়া স্টোরি এবং অন্য ব্যবহারকারীর জন্য ওয়ান্ডার ওম্যান এবং ব্ল্যাক প্যান্থার নির্বাচন করে৷ একটি ভিডিও সুপারিশ সিস্টেম তার সুপারিশগুলিকে কারণগুলির উপর ভিত্তি করে যেমন:
- একই ধরনের ব্যবহারকারীরা রেট করেছেন বা দেখেছেন এমন সিনেমা।
- ধরণ, পরিচালক, অভিনেতা, টার্গেট ডেমোগ্রাফিক...
পুনরায় র্যাঙ্কিং
একটি সুপারিশ ব্যবস্থার চূড়ান্ত পর্যায়, যে সময়ে স্কোর করা আইটেমগুলি অন্য কিছু (সাধারণত, নন-এমএল) অ্যালগরিদম অনুসারে পুনরায় গ্রেড করা যেতে পারে। পুনঃ র্যাঙ্কিং স্কোরিং পর্ব দ্বারা উত্পন্ন আইটেমগুলির তালিকাকে মূল্যায়ন করে, যেমন পদক্ষেপ গ্রহণ করে:
- ব্যবহারকারী ইতিমধ্যে ক্রয় করা আইটেমগুলি মুছে ফেলা।
- নতুন আইটেম স্কোর বৃদ্ধি.
এস
স্কোরিং
একটি সুপারিশ সিস্টেমের অংশ যা প্রার্থী প্রজন্মের পর্যায় দ্বারা উত্পাদিত প্রতিটি আইটেমের জন্য একটি মান বা র্যাঙ্কিং প্রদান করে।
উ
ব্যবহারকারী ম্যাট্রিক্স
সুপারিশ সিস্টেমে , ম্যাট্রিক্স ফ্যাক্টরাইজেশন দ্বারা উত্পন্ন একটি এমবেডিং ভেক্টর যা ব্যবহারকারীর পছন্দ সম্পর্কে সুপ্ত সংকেত ধারণ করে। ব্যবহারকারী ম্যাট্রিক্সের প্রতিটি সারি একক ব্যবহারকারীর জন্য বিভিন্ন সুপ্ত সংকেতের আপেক্ষিক শক্তি সম্পর্কে তথ্য ধারণ করে। উদাহরণস্বরূপ, একটি চলচ্চিত্র সুপারিশ সিস্টেম বিবেচনা করুন. এই সিস্টেমে, ব্যবহারকারী ম্যাট্রিক্সের সুপ্ত সংকেতগুলি নির্দিষ্ট জেনারে প্রতিটি ব্যবহারকারীর আগ্রহের প্রতিনিধিত্ব করতে পারে, বা একাধিক কারণের মধ্যে জটিল মিথস্ক্রিয়া জড়িত এমন সংকেতগুলিকে ব্যাখ্যা করা কঠিন হতে পারে।
ব্যবহারকারী ম্যাট্রিক্সে প্রতিটি সুপ্ত বৈশিষ্ট্যের জন্য একটি কলাম এবং প্রতিটি ব্যবহারকারীর জন্য একটি সারি রয়েছে। অর্থাৎ, ব্যবহারকারী ম্যাট্রিক্সে লক্ষ্য ম্যাট্রিক্সের সমান সংখ্যক সারি রয়েছে যা ফ্যাক্টরাইজ করা হচ্ছে। উদাহরণস্বরূপ, 1,000,000 ব্যবহারকারীদের জন্য একটি চলচ্চিত্র সুপারিশ সিস্টেম দেওয়া হলে, ব্যবহারকারী ম্যাট্রিক্সে 1,000,000 সারি থাকবে।
ডব্লিউ
ওয়েটেড অল্টারনেটিং লেস্ট স্কোয়ার (WALS)
সুপারিশ সিস্টেমে ম্যাট্রিক্স ফ্যাক্টরাইজেশনের সময় উদ্দেশ্যমূলক ফাংশন কমানোর জন্য একটি অ্যালগরিদম, যা অনুপস্থিত উদাহরণগুলির ওজন কমানোর অনুমতি দেয়। WALS সারি ফ্যাক্টরাইজেশন এবং কলাম ফ্যাক্টরাইজেশন ফিক্সিংয়ের মধ্যে পর্যায়ক্রমে মূল ম্যাট্রিক্স এবং পুনর্গঠনের মধ্যে ওজনযুক্ত বর্গক্ষেত্র ত্রুটি কমিয়ে দেয়। এই অপ্টিমাইজেশানগুলির প্রত্যেকটি অন্তত বর্গাকার উত্তল অপ্টিমাইজেশন দ্বারা সমাধান করা যেতে পারে। বিস্তারিত জানার জন্য, সুপারিশ সিস্টেম কোর্স দেখুন।