หน้านี้มีคําในอภิธานศัพท์เกี่ยวกับระบบคําแนะนํา สําหรับอภิธานศัพท์ทั้งหมด คลิกที่นี่
ค
การสร้างผู้สมัคร
ชุดคําแนะนําเริ่มต้นซึ่งระบบแนะนําเลือก ตัวอย่างเช่น ลองพิจารณา ร้านหนังสือที่มีหนังสือ 100,000 เล่ม ขั้นตอนในการสร้างผู้สมัครจะสร้างรายการหนังสือที่เหมาะสมน้อยกว่ามากสําหรับผู้ใช้ กล่าวคือ 500 หน้า แม้แต่หนังสือถึง 500 เล่มก็ยังมากเกินไปที่จะแนะนําให้แก่ผู้ใช้ ช่วงถัดจากระบบการแนะนําราคาที่แพงกว่า (เช่น การให้คะแนน และการจัดอันดับใหม่) จะช่วยให้ช่วงแนะนําที่ 500 มีประสิทธิภาพน้อยลงและมีประโยชน์มากขึ้น
การกรอง การทํางานร่วมกัน
การทําการคาดการณ์เกี่ยวกับความสนใจของผู้ใช้ 1 ราย ตามความสนใจของผู้ใช้อีกหลายราย การกรองการทํางานร่วมกัน มักจะใช้ในระบบการแนะนํา
I
เมทริกซ์รายการ
ในระบบการแนะนํา เมทริกซ์ของเวกเตอร์การฝังที่สร้างโดยการแยกตัวประกอบเมทริกซ์ ที่มีสัญญาณแฝงเกี่ยวกับรายการแต่ละรายการ แต่ละแถวของเมทริกซ์รายการจะเก็บค่าของคุณลักษณะที่แฝงไว้ 1 รายการสําหรับรายการทั้งหมด ตัวอย่างเช่น ลองใช้ระบบแนะนําภาพยนตร์ แต่ละคอลัมน์ในเมทริกซ์รายการจะแสดงภาพยนตร์เรื่องเดียว สัญญาณที่แฝงอยู่อาจเป็นประเภท หรืออาจเป็นสัญญาณที่ยากจะตีความ ซึ่งเกี่ยวข้องกับการโต้ตอบที่ซับซ้อนระหว่างประเภท ดาว อายุภาพยนตร์ หรือปัจจัยอื่นๆ
เมทริกซ์รายการมีจํานวนคอลัมน์เท่ากับเมทริกซ์เป้าหมายที่เป็นปัจจัย ตัวอย่างเช่น สําหรับระบบแนะนําภาพยนตร์ที่ประเมินภาพยนตร์ 10,000 เรื่อง เมทริกซ์รายการจะมี 10,000 คอลัมน์
items
ในระบบการแนะนํา เอนทิตีที่ระบบแนะนํา เช่น วิดีโอคือสิ่งที่ร้านวิดีโอแนะนํา ส่วนหนังสือคือสิ่งที่ร้านหนังสือแนะนํา
M
การแยกตัวประกอบเมทริกซ์
ในทางคณิตศาสตร์ กลไกสําหรับการค้นหาเมทริกซ์ที่มีผลิตภัณฑ์จุดโดยประมาณเมทริกซ์เป้าหมาย
ในระบบการแนะนํา เมทริกซ์เป้าหมายมักจะเก็บคะแนนของผู้ใช้ไว้ในรายการ ตัวอย่างเช่น เมตริกซ์เป้าหมายสําหรับระบบการแนะนําภาพยนตร์อาจมีลักษณะดังนี้: โดยที่จํานวนเต็มบวกคือการให้คะแนนของผู้ใช้และ 0 หมายความว่าผู้ใช้ไม่ได้ให้คะแนนภาพยนตร์
คาสซาบลางกา | เรื่องราวของฟิลาเดลเฟีย | แบล็ค แพนเธอร์ (Black Panther) | หญิงมหัศจรรย์ | นิยาย Pulp | |
---|---|---|---|---|---|
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 |
ระบบแนะนําภาพยนตร์มีเป้าหมายในการคาดการณ์การให้คะแนนของผู้ใช้สําหรับภาพยนตร์ที่ไม่มีการจัดประเภท เช่น ผู้ใช้ 1 จะชอบ Black Panther ไหม
แนวทางหนึ่งสําหรับระบบการแนะนําก็คือ การใช้ตัวแยกเมตริกซ์เพื่อสร้างเมทริกซ์สองเมทริกซ์ต่อไปนี้
- เมทริกซ์ผู้ใช้ กําหนดจํานวนผู้ใช้ X จํานวนมิติข้อมูลการฝัง
- เมทริกซ์รายการ กําหนดรูปร่างของจํานวนมิติข้อมูลการฝัง X จํานวนรายการ
เช่น การใช้แฟกทอเรียลเมทริกซ์ต่อผู้ใช้ 3 รายและ 5 รายการอาจให้เมตริกซ์ผู้ใช้และเมตริกซ์สินค้าดังต่อไปนี้
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
ผลิตภัณฑ์จุดของเมทริกซ์ผู้ใช้และเมทริกซ์รายการจะแสดงเมทริกซ์คําแนะนําที่ไม่เพียงได้รับคะแนนของผู้ใช้ครั้งแรกเท่านั้น แต่ยังรวมถึงการคาดการณ์สําหรับภาพยนตร์ที่ผู้ใช้แต่ละรายยังไม่เคยเห็น ตัวอย่างเช่น พิจารณาการให้คะแนนของผู้ใช้ 1 ของ Casablanca ซึ่งก็คือ 5.0 ผลิตภัณฑ์จุดที่สอดคล้องกับเซลล์นั้นในเมทริกซ์แนะนําน่าจะประมาณ 5.0 และมีลักษณะต่อไปนี้
(1.1 * 0.9) + (2.3 * 1.7) = 4.9
ยิ่งไปกว่านั้น ผู้ใช้หมายเลข 1 ชอบ Black Panther ไหม การใช้จุดของผลิตภัณฑ์ที่สอดคล้องกับแถวแรกและคอลัมน์ที่ 3 ทําให้ได้คะแนน 4.3 ดังนี้
(1.1 * 1.4) + (2.3 * 1.2) = 4.3
การแยกตัวประกอบเมทริกซ์มักให้เมตริกซ์ผู้ใช้และเมทริกซ์รายการซึ่งเมื่อรวมกันแล้วจะมีขนาดกะทัดรัดมากกว่าเมทริกซ์เป้าหมายอย่างมาก
ขวา
ระบบแนะนํา
ระบบที่เลือกให้รายการซึ่งเป็นที่ต้องการค่อนข้างน้อยจากคลังข้อมูลขนาดใหญ่ ตัวอย่างเช่น ระบบแนะนําวิดีโออาจแนะนําวิดีโอ 2 รายการจากคลังวิดีโอ 100,000 รายการ ให้เลือก Casablanca และ The Philadelphia Story สําหรับผู้ใช้ 1 คน และ Wonder Woman และ Black Panther สําหรับผู้ใช้อีกคน ระบบแนะนําวิดีโออาจพิจารณาตาม คําแนะนําของปัจจัยต่างๆ เช่น
- ภาพยนตร์ที่ผู้ใช้ที่คล้ายกันเคยให้คะแนนหรือรับชม
- ประเภท ผู้กํากับ นักแสดง ข้อมูลประชากรเป้าหมาย...
การจัดอันดับใหม่
ขั้นตอนสุดท้ายของระบบการแนะนํา ซึ่งในระหว่างนี้อาจมีการให้คะแนนสินค้าใหม่ตามอัลกอริทึมอื่นๆ (โดยปกติจะไม่ใช่ ML) การจัดอันดับอีกครั้งจะประเมินรายการที่สร้างโดยขั้นตอนการให้คะแนน โดยจะดําเนินการต่างๆ เช่น
- ลบสินค้าที่ผู้ใช้ซื้อไปแล้ว
- การเพิ่มคะแนนของรายการใหม่
S
การให้คะแนน
ส่วนของระบบการแนะนําที่ให้ค่าหรือการจัดอันดับสําหรับแต่ละรายการที่สร้างโดยขั้นตอนการสร้างตัวเลือก
U
เมทริกซ์ผู้ใช้
ในระบบการแนะนํา เวกเตอร์การฝังที่สร้างขึ้นโดยการแยกตัวประกอบเมทริกซ์ ซึ่งใช้สัญญาณแฝงเกี่ยวกับค่ากําหนดของผู้ใช้ เมทริกซ์ผู้ใช้แต่ละแถวจะมีข้อมูลเกี่ยวกับความแรงของสัญญาณสัมพัทธ์ต่างๆ สําหรับผู้ใช้รายเดียว ตัวอย่างเช่น ลองใช้ระบบแนะนําภาพยนตร์ ในระบบนี้ สัญญาณที่แฝงอยู่ในเมทริกซ์ผู้ใช้อาจแสดงถึงความสนใจของผู้ใช้แต่ละคนในแนวเพลงหนึ่งๆ หรืออาจเป็นสัญญาณที่ยากจะตีความ ซึ่งเกี่ยวข้องกับการโต้ตอบที่ซับซ้อนในหลายปัจจัย
เมทริกซ์ผู้ใช้จะมีคอลัมน์สําหรับคุณลักษณะแฝงแต่ละรายการ และแถวสําหรับผู้ใช้แต่ละราย กล่าวคือ เมทริกซ์ผู้ใช้มีจํานวนแถวเท่ากับเมทริกซ์เป้าหมายที่เป็นแฟกทอเรียล ตัวอย่างเช่น สําหรับระบบแนะนําภาพยนตร์สําหรับผู้ใช้ 1,000,000 ราย เมทริกซ์ของผู้ใช้จะมีแถว 1,000,000 แถว
W
สี่เหลี่ยมจัตุรัสสํารองน้อยที่สุด (WALS)
อัลกอริทึมสําหรับการลดขนาดฟังก์ชันวัตถุประสงค์ระหว่างการแยกตัวประกอบเมทริกซ์ในระบบการแนะนํา ซึ่งช่วยให้สรุปตัวอย่างที่หายไปได้ WALS ช่วยลดข้อผิดพลาดยกกําลัง 2 ที่ถ่วงน้ําหนักระหว่างเมทริกซ์เดิมและการจัดโครงสร้างใหม่ โดยการสลับระหว่างการแก้ไขแฟกทอเรียลแถวและแฟกทอเรียลของคอลัมน์ การเพิ่มประสิทธิภาพแต่ละรายการอาจแก้ได้ตามจํานวนสแควร์ การเพิ่มประสิทธิภาพ Conversion เป็นอย่างน้อย โปรดดูรายละเอียดในหลักสูตรระบบการแนะนํา