이 페이지에는 추천 시스템 용어집이 포함되어 있습니다. 모든 용어집 용어에 대해 여기를 클릭하세요.
C
후보 생성
광고주가 선택한 초기 추천 집합은 추천 시스템. 예를 들어 10만 권의 책을 판매하는 서점입니다. 후보 생성 단계에서는 500권과 같이 특정 사용자에게 적을 만한 도서 목록을 찾을 수 있습니다. 그러나 500권은 사용자에게 추천하기에는 너무 많습니다. 그 후에는 비용이 더 많이 들고 추천 시스템의 단계 (예: 채점 및 순위를 재지정)하여 이러한 500을 훨씬 작게 줄여줍니다. 더 유용한 추천을 제공합니다
협업 필터링
한 사용자의 관심분야를 예측하기 관심분야에 기반합니다. 협업 필터링 추천 시스템에서 자주 사용됩니다.
I
항목 행렬
추천 시스템에서는 다음과 같이 생성된 임베딩 벡터의 행렬입니다. 행렬 분해 각 항목에 대한 잠재 신호를 보유하는 역할을 합니다. 항목 행렬의 각 행에는 단일 잠재 값이 담겨 있습니다. 기능을 사용할 수 있습니다. 영화 추천 시스템을 예로 들어보겠습니다. 각 열 이는 단일 영화를 나타냅니다. 잠재 신호 장르를 대표하거나 해석하기 어려울 수 있습니다. 장르, 스타, 기타 요인에 따라 달라집니다.
항목 행렬에 타겟과 동일한 수의 열이 있습니다. 인수 분해되는 행렬입니다. 예를 들어, 어떤 영화가 10,000편의 영화를 평가하는 추천 시스템인 항목 행렬에는 10,000개의 열이 포함됩니다.
items
추천 시스템에서 확인할 수 있습니다 예를 들어 동영상은 비디오 게임, 도서는 서점에서 추천하는 상품입니다.
M
행렬 분해
수학에서 내적이 제곱에 근사하는 행렬을 찾는 메커니즘 타겟 행렬입니다.
추천 시스템에서 목표 행렬은 사용자의 의도를 항목의 평점입니다. 예를 들어 대상 행렬은 다음과 같을 수 있습니다. 양의 정수는 사용자 평점과 0이 됩니다. 사용자가 영화를 평가하지 않았음을 의미합니다.
| 카사블랑카 | 필라델피아 이야기 | 블랙 팬서 | 원더 우먼 | 펄프 픽션 | |
|---|---|---|---|---|---|
| 사용자 1 | 5.0 | 3.0 | 0.0 | 2.0 | 0.0 |
| 사용자 2 | 4.0 | 0.0 | 0.0 | 1.0 | 5.0 |
| 사용자 3 | 3.0 | 1.0 | 4.0 | 5.0 | 0.0 |
영화 추천 시스템은 등급 없는 영화만 볼 수 있습니다. 예를 들어 사용자 1은 블랙 팬서를 좋아할까요?
추천 시스템에 대한 한 가지 접근 방식은 행렬을 사용하는 것입니다 분해하여 다음 두 행렬을 생성합니다.
예를 들어 3명의 사용자와 5개의 항목에 대해 행렬 분해를 사용하여 다음 사용자 행렬과 항목 행렬을 생성할 수 있습니다.
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
사용자 행렬과 항목 행렬의 내적이 추천을 산출합니다. 원래 사용자 평가와 예측까지 포함하는 행렬입니다. 영화의 예가 표시됩니다. 예를 들어 카사블랑카에 대한 사용자 1의 평점(5.0)을 가정해 보겠습니다. 점 추천 행렬의 해당 셀에 해당하는 제품이 5.0 정도일 것입니다.
(1.1 * 0.9) + (2.3 * 1.7) = 4.9
그렇다면 사용자 1은 블랙 팬서를 좋아할까요? 내적 사용하기 첫 번째 행과 세 번째 열에 대응하여 예측 문장을 평점 4.3점:
(1.1 * 1.4) + (2.3 * 1.2) = 4.3
행렬 분해는 일반적으로 대상 행렬보다 훨씬 더 간결합니다.
R
추천 시스템
각 사용자에 대해 상대적으로 적은 수의 바람직한 그룹을 선택하는 시스템입니다. 항목을 업데이트합니다. 예를 들어 동영상 추천 시스템은 두 개의 동영상을 추천할 수 있습니다. 100,000개 동영상 코퍼스에서 Casablanca를 선택한 다음 The Philadelphia Story for one user, and Wonder Woman 및 블랙 팬서 같은 거죠. 동영상 추천 시스템은 다음과 같은 요소를 기반으로 추천됩니다.
- 비슷한 사용자가 평가하거나 시청한 영화
- 장르, 감독, 배우, 타겟 인구통계...
순위 재지정
추천 시스템의 마지막 단계 이 기간 동안 다른 기준에 따라 채점된 항목이 다시 채점될 수 있습니다. 일반적으로 ML 알고리즘이 아닌 알고리즘입니다 순위 재지정은 항목 목록 평가 채점 단계에서 생성되어 다음과 같은 조치를 취합니다.
- 사용자가 이미 구매한 항목 제거
- 새로운 항목의 점수를 높입니다.
S
점수 매기기
U
사용자 매트릭스
추천 시스템에서는 다음과 같은 방식으로 생성된 임베딩 벡터 행렬 분해 사용자 선호에 대한 잠재 신호가 있습니다. 사용자행렬의 각 행에는 상대 행렬에 대한 정보가 강도를 나타냅니다. 영화 추천 시스템을 예로 들어보겠습니다. 이 시스템에서는 사용자 매트릭스의 잠재 신호가 각 사용자의 관심사를 나타낼 수 있습니다. 특정 장르의 특정 장르에 불과할 수 있으며, 게임과 관련된 복잡한 상호작용을 수행할 수 있습니다
사용자 행렬에는 각 잠재 특성에 대한 열과 각 사용자에 대한 행이 있습니다. 즉, 사용자행렬의 행 수는 타겟의 행과 동일합니다. 인수 분해되는 행렬입니다. 예를 들어, 어떤 영화가 1,000,000명의 사용자에게 추천 시스템을 사용자 매트릭스에는 1,000,000개의 행이 있습니다.
W
Weighted Alternating Least Squares (WALS)
주어진 시간 동안 목적 함수를 최소화하는 알고리즘 행렬 분해의 추천 시스템을 통해 가중치를 낮추는 것이 좋습니다 WALS는 가중치가 적용된 원본 행렬과 재구성 사이의 제곱 오차를 행 분해와 열 분해 수정을 번갈아 가며 수정하게 됩니다. 이러한 각 최적화는 최소 제곱으로 해결할 수 있습니다. 볼록 최적화. 자세한 내용은 추천 시스템 과정