Bu sayfada, Recommendation Systems sözlüğündeki terimler yer almaktadır. Tüm sözlük terimleri için burayı tıklayın.
C
aday oluşturma
Bir yönetici tarafından seçilen ilk öneri grubu öneri sistemini kullanarak değiştirebilirsiniz. Örneğin, 100.000 kitap sunan bir kitabevi. Aday oluşturma aşaması kullanıcı için uygun kitapların çok daha küçük bir listesidir, örneğin 500. Ama hatta 500 kitap, bir kullanıcıya önerilemeyecek kadar fazla. Sonraki, daha pahalı, bir öneri sisteminin aşamaları (puanlama ve yeniden sıralama) bu 500'ü çok daha düşük bir değere ayarlayabilirsiniz. yardımcı olur.
ortak çalışmaya dayalı filtreleme
Bir kullanıcının ilgi alanları hakkında tahminlerde bulunma Google Analytics 4'te arama yapın. Ortak çalışmaya göre filtreleme Genellikle öneri sistemlerinde kullanılır.
I
öğe matrisi
Öneri sistemlerinde tarafından oluşturulan yerleştirme vektörleri matrisi matris çarpanlarına ayırma Gizli sinyalleri barındıran bir öğe kullanın. Öğe matrisinin her satırı, tek bir gizli özelliğini kullanabilirsiniz. Örneğin, bir film öneri sistemi düşünün. Her sütun değeri tek bir filmi temsil eder. Gizli sinyaller türleri temsil edebilir veya yorumlanması daha zor olabilir. türler, yıldızlar ve çok sayıda farklı kişinin arasında karmaşık etkileşimleri veya diğer faktörler gibi faktörler dikkate alınır.
Öğe matrisinde hedef ile aynı sayıda sütun var çarpanlara ayrılan bir matristir. Örneğin, Yeşil Ofis’te 10.000 filmin tamamını değerlendiren bir öneri sistemi öğe matrisinde 10.000 sütun olur.
items
Öneri sisteminde, bir sistem önerir. Örneğin videolar, bir video mağazasının önerilen öğelerdir. Kitaplar ise bir kitapçının önerdiği öğelerdir.
M
matris çarpanlarına ayırma
Matematikte, nokta çarpımı yaklaşık bir değere sahip matrisleri bulmak için kullanılan hedef matristir.
Öneri sistemlerinde hedef matris genellikle elindeki öğeler için derecelendirmeler. Örneğin, hedef bir film öneri sisteminin matrisi Burada pozitif tam sayılar, kullanıcı değerlendirmeleri ve 0'dır kullanıcının filme oy vermemiş olduğu anlamına gelir:
| Kazablanka | Philadelphia'nın Hikayesi | Black Panther | Wonder Woman | Ucuz Kurgu | |
|---|---|---|---|---|---|
| 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, şu filmlerin kullanıcı puanlarını tahmin etmeyi amaçlar: derecelendirilmemiş filmler. Örneğin, 1. Kullanıcı Kara Panter'i beğenir mi?
Öneri sistemleri için yaklaşımlardan biri, çarpanlara ayırma işlemi yapmanız gerekir:
- Kullanıcı sayısı X şeklinde ifade edilen bir kullanıcı matrisi sayısını artırır.
- Yerleştirme sayısı şeklinde ifade edilen bir öğe matrisi boyut X öğe sayısı.
Örneğin, üç kullanıcımızda ve beş öğemizde matrisi çarpanlara ayırma şu kullanıcı matrisini ve öğe matrisini elde edebilir:
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 bir öneri verir Yalnızca orijinal kullanıcı puanlarını değil, aynı zamanda tahminleri de içeren matris daha önce izlememiş olan kullanıcılara gösterilir. Örneğin, 1.Kullanıcı'nın Kazablanka olan 5, 0 olan puanına bakalım. Nokta öneri matrisinde o hücreye karşılık gelen ürün ve şu:
(1.1 * 0.9) + (2.3 * 1.7) = 4.9
Daha da önemlisi, 1. Kullanıcı Kara Panter'i beğenecek mi? Nokta çarpımını alma ilk satıra karşılık gelen bir sütuna karşılık gelir ve üçüncü sütun 4,3 puan:
(1.1 * 1.4) + (2.3 * 1.2) = 4.3
Matrisi çarpanlara ayırma, genelde şu özelliklere sahip bir kullanıcı matrisi ve öğe matrisi ortaya çıkarır: hedef matristen çok daha kompakttır.
K
öneri sistemi
Her kullanıcı için nispeten küçük bir istenen kümeyi seçen bir sistem öğeleri. Örneğin, video öneri sistemi iki video önerebilir video kitaplığını inceleyerek Casablanca'yı ve Bir kullanıcı için The Philadelphia Story, Wonder Woman ve Diğeri için Kara Panter. Video öneri sistemi, aşağıdaki faktörleri temel alır:
- Benzer kullanıcıların oyladığı veya izlediği filmler.
- Tür, yönetmenler, aktörler, hedef demografi...
yeniden sıralama
Öneri sisteminin son aşaması Bu süre zarfında, puanlanan öğeler başka ölçütlere göre yeniden bir algoritmadır. Yeniden sıralama, öğelerin listesini değerlendirir puanlama aşamasında elde edilir ve aşağıdaki gibi işlemler yapılır:
- Kullanıcının zaten satın aldığı öğelerden kurtulmak.
- Daha yeni öğelerin puanını artırmak.
S
puanlama
Öneri sisteminin, tarafından üretilen her öğeye bir değer veya sıralama sağlar. aday oluşturma aşaması.
U
kullanıcı matrisi
Öneri sistemlerinde tarafından oluşturulan yerleştirme vektörü matris çarpanlarına ayırma gizli sinyalleri elinde bulunduruyor. Kullanıcı matrisinin her satırı, akrabası Gizli sinyallerin gücüne ilişkin son derece önemlidir. Örneğin, bir film öneri sistemi düşünün. Bu sistemde, kullanıcı matrisindeki gizli sinyaller her kullanıcının ilgi alanlarını temsil edebilir veya belirli türlerde içerik ya da kültürün yer aldığı çeşitli faktörlerdeki karmaşık etkileşimleri içerir.
Kullanıcı matrisinde, her gizli özellik için bir sütun ve her kullanıcı için bir satır bulunur. Yani kullanıcı matrisi, hedef ile aynı sayıda satıra sahiptir çarpanlara ayrılan bir matristir. Örneğin, Yeşil Ofis’te 1.000.000 kullanıcı için bir öneri sistemi, kullanıcı matrisinde 1.000.000 satır olur.
W
Ağırlıklı Alternatif En Küçük Kareler (WALS)
sırasında hedef fonksiyonunu en aza indiren bir algoritma matris çarpanlarına ayırma öneri sistemlerini kullanarak eksik örneklerin ağırlığının azaltılmasına yardımcı olur. WALS, iş gücüne hatanın karesini alıp orijinal matris ve yeniden oluşturma arasındaki satır çarpanlarına ayırma ile sütun çarpanlarına ayırma oranlarında değişiklikler yapacaksınız. Bu optimizasyonların her biri en az kareyle çözülebilir dışbükey optimizasyon. Ayrıntılar için Öneri Sistemleri kursu.