Bu sayfada, öneri sistemleri ile ilgili terimler yer almaktadır. Tüm terimler için burayı tıklayın.
C
aday oluşturma
Öneri sistemi tarafından seçilen ilk öneri grubu. Örneğin, 100.000 kitap sunan bir kitapçıyı düşünün. Aday oluşturma aşaması, belirli bir kullanıcı için çok daha küçük bir kitap listesi (ör. 500) oluşturur. Ancak 500 kitap bile bir kullanıcıya önerilecek çok fazla kitaptır. Önerinin daha pahalı olan sonraki aşamaları (ör. puanlama ve yeniden sıralama), bu 500 öğeyi çok daha küçük ve daha kullanışlı bir öneri grubuna indirger.
Daha fazla bilgi için Öneri Sistemleri kursunda Aday oluşturmaya genel bakış bölümüne bakın.
ortak filtreleme
Diğer birçok kullanıcının ilgi alanlarına göre bir kullanıcının ilgi alanları hakkında tahminler yapma Ortak filtreleme, genellikle öneri sistemlerinde kullanılır.
Daha fazla bilgi için Öneri Sistemleri kursunda Ortak filtreleme bölümüne bakın.
I
öğe matrisi
Öneri sistemlerinde, her öğe ile ilgili gizli sinyaller içeren ve matris faktörleştirme ile oluşturulan yerleştirme vektörleri matrisidir. Öğe matrisinin her satırı, tüm öğeler için tek bir gizli özelliğin değerini içerir. Örneğin, bir film öneri sistemi düşünün. Öğe matrisindeki her sütun tek bir filmi temsil eder. Gizli sinyaller türler veya tür, oyuncular, film yaşı ya da diğer faktörler arasındaki karmaşık etkileşimleri içeren, yorumlanması daha zor sinyaller olabilir.
Öğe matrisi, faktörize edilen hedef matrisle aynı sayıda sütuna sahiptir. Örneğin, 10.000 film başlığını değerlendiren bir film öneri sistemi varsa öğe matrisinde 10.000 sütun bulunur.
items
Öneri sisteminde, sistemin önerdiği öğeler. Örneğin, videolar bir video mağazasının önerdiği öğeler, kitaplar ise bir kitapçının önerdiği öğelerdir.
M
matrisi çarpanlara ayırma
Matematikte, skaler çarpımı hedef matrise yaklaşık olan matrisleri bulma mekanizması.
Öneri sistemlerinde hedef matrisinde genellikle kullanıcıların öğelere verdiği puanlar bulunur. Örneğin, bir film öneri sistemi için hedef matris aşağıdaki gibi görünebilir. Pozitif tam sayılar kullanıcı puanları, 0 ise kullanıcının filmi puanlamadığını gösterir:
| Kazablanka | Philadelphia Hikayesi | Black Panther | Wonder Woman | Ucuz Roman | |
|---|---|---|---|---|---|
| 1. Kullanıcı | 5,0 | 3,0 | 0,0 | 2,0 | 0,0 |
| 2. Kullanıcı | 4.0 | 0,0 | 0,0 | 1,0 | 5,0 |
| 3. Kullanıcı | 3,0 | 1,0 | 4.0 | 5,0 | 0,0 |
Film öneri sistemi, derecelendirilmemiş filmler için kullanıcı puanlarını tahmin etmeyi amaçlar. Örneğin, 1. kullanıcı Black Panther'ı beğenir mi?
Öneri sistemleri için bir yaklaşım, aşağıdaki iki matrisi oluşturmak üzere matris faktörleştirmeyi kullanmaktır:
- Kullanıcı sayısı X yerleştirme boyutu sayısı şeklinde şekillendirilmiş bir kullanıcı matrisi.
- Yerleştirme boyutlarının sayısı x öğe sayısı şeklinde biçimlendirilmiş bir öğe matrisi.
Örneğin, üç kullanıcımız ve beş öğemiz için matrisi çarpanlara ayırma yöntemini kullandığımızda aşağıdaki kullanıcı matrisi ve öğe matrisi elde edilebilir:
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
Kullanıcı matrisinin ve öğe matrisinin nokta çarpımı, yalnızca orijinal kullanıcı puanlarını değil, her kullanıcının izlemediği filmlerle ilgili tahminleri de içeren bir öneri matrisi oluşturur. Örneğin, 1.kullanıcının Casablanca için verdiği 5, 0 puanlı derecelendirmeyi düşünün. Öneri matrisinde bu hücreye karşılık gelen nokta çarpımı, umarım 5,0 civarındadır ve şu şekildedir:
(1.1 * 0.9) + (2.3 * 1.7) = 4.9
Daha da önemlisi, 1. kullanıcı Black Panther'ı beğenir mi? İlk satıra ve üçüncü sütuna karşılık gelen nokta çarpımı, 4,3 olarak tahmin edilen bir puan verir:
(1.1 * 1.4) + (2.3 * 1.2) = 4.3
Matrisi çarpanlara ayırma işlemi genellikle, birlikte hedef matristen çok daha kompakt olan bir kullanıcı matrisi ve öğe matrisi oluşturur.
K
öneri sistemi
Her kullanıcı için büyük bir veri kümesinden nispeten küçük bir öğe grubu seçen bir sistem. Örneğin, bir video öneri sistemi 100.000 videodan oluşan bir veri kümesinden iki video önerebilir. Bir kullanıcı için Casablanca ve The Philadelphia Story, diğer kullanıcı için ise Wonder Woman ve Black Panther seçilebilir. Video öneri sistemi, önerilerini aşağıdaki gibi faktörlere dayandırabilir:
- Benzer kullanıcıların puan verdiği veya izlediği filmler.
- Tür, yönetmenler, oyuncular, hedef kitle...
yeniden sıralama
Puanlanan öğelerin başka bir algoritmaya (genellikle makine öğrenimi dışında) göre yeniden notlandırılabileceği öneri sisteminin son aşaması. Yeniden sıralama, puanlama aşamasında oluşturulan öğe listesini değerlendirir ve aşağıdaki gibi işlemler yapar:
- Kullanıcının daha önce satın aldığı öğeleri kaldırma
- Daha güncel öğelerin puanını artırma
S
puanlama
Öneri sisteminin, aday oluşturma aşamasında üretilen her öğe için bir değer veya sıralama sağlayan kısmı.
U
kullanıcı matrisi
Öneri sistemlerinde, matris faktörleştirme tarafından oluşturulan ve kullanıcı tercihleriyle ilgili gizli sinyaller içeren bir gömülü vektör. Kullanıcı matrisinin her satırı, tek bir kullanıcı için çeşitli gizli sinyallerin göreceli gücü hakkında bilgi içerir. Örneğin, bir film öneri sistemi düşünün. Bu sistemde, kullanıcı matrisindeki gizli sinyaller her kullanıcının belirli türlere olan ilgisini temsil edebilir veya birden fazla faktörde karmaşık etkileşimler içeren, yorumlanması daha zor sinyaller olabilir.
Kullanıcı matrisinde her gizli özellik için bir sütun ve her kullanıcı için bir satır bulunur. Yani kullanıcı matrisi, faktörize edilen hedef matrisle aynı sayıda satıra sahiptir. Örneğin, 1.000.000 kullanıcı için bir film öneri sistemi varsa kullanıcı matrisinde 1.000.000 satır bulunur.
W
Ağırlıklı Alternatif En Küçük Kareler (WALS)
Öneri sistemlerinde matris faktörleştirme sırasında hedef işlevi en aza indirmek için kullanılan ve eksik örneklerin ağırlığının azaltılmasına olanak tanıyan bir algoritma. WALS, satır faktörizasyonunu ve sütun faktörizasyonunu düzeltmek arasında geçiş yaparak orijinal matris ile yeniden yapılanma arasındaki ağırlıklı kare hatayı en aza indirir. Bu optimizasyonların her biri en küçük kareler konveks optimizasyonuyla çözülebilir. Ayrıntılar için Öneri Sistemleri kursuna göz atın.