อภิธานศัพท์เกี่ยวกับแมชชีนเลิร์นนิง: ระบบการแนะนํา

หน้านี้มีคําในอภิธานศัพท์เกี่ยวกับระบบคําแนะนํา สําหรับอภิธานศัพท์ทั้งหมด คลิกที่นี่

ค

การสร้างผู้สมัคร

#recsystems

ชุดคําแนะนําเริ่มต้นซึ่งระบบแนะนําเลือก ตัวอย่างเช่น ลองพิจารณา ร้านหนังสือที่มีหนังสือ 100,000 เล่ม ขั้นตอนในการสร้างผู้สมัครจะสร้างรายการหนังสือที่เหมาะสมน้อยกว่ามากสําหรับผู้ใช้ กล่าวคือ 500 หน้า แม้แต่หนังสือถึง 500 เล่มก็ยังมากเกินไปที่จะแนะนําให้แก่ผู้ใช้ ช่วงถัดจากระบบการแนะนําราคาที่แพงกว่า (เช่น การให้คะแนน และการจัดอันดับใหม่) จะช่วยให้ช่วงแนะนําที่ 500 มีประสิทธิภาพน้อยลงและมีประโยชน์มากขึ้น

การกรอง การทํางานร่วมกัน

#recsystems

การทําการคาดการณ์เกี่ยวกับความสนใจของผู้ใช้ 1 ราย ตามความสนใจของผู้ใช้อีกหลายราย การกรองการทํางานร่วมกัน มักจะใช้ในระบบการแนะนํา

I

เมทริกซ์รายการ

#recsystems

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

#recsystems

ในระบบการแนะนํา เอนทิตีที่ระบบแนะนํา เช่น วิดีโอคือสิ่งที่ร้านวิดีโอแนะนํา ส่วนหนังสือคือสิ่งที่ร้านหนังสือแนะนํา

M

การแยกตัวประกอบเมทริกซ์

#recsystems

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

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

#recsystems

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

#recsystems

ขั้นตอนสุดท้ายของระบบการแนะนํา ซึ่งในระหว่างนี้อาจมีการให้คะแนนสินค้าใหม่ตามอัลกอริทึมอื่นๆ (โดยปกติจะไม่ใช่ ML) การจัดอันดับอีกครั้งจะประเมินรายการที่สร้างโดยขั้นตอนการให้คะแนน โดยจะดําเนินการต่างๆ เช่น

  • ลบสินค้าที่ผู้ใช้ซื้อไปแล้ว
  • การเพิ่มคะแนนของรายการใหม่

S

การให้คะแนน

#recsystems

ส่วนของระบบการแนะนําที่ให้ค่าหรือการจัดอันดับสําหรับแต่ละรายการที่สร้างโดยขั้นตอนการสร้างตัวเลือก

U

เมทริกซ์ผู้ใช้

#recsystems

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)

#recsystems

อัลกอริทึมสําหรับการลดขนาดฟังก์ชันวัตถุประสงค์ระหว่างการแยกตัวประกอบเมทริกซ์ในระบบการแนะนํา ซึ่งช่วยให้สรุปตัวอย่างที่หายไปได้ WALS ช่วยลดข้อผิดพลาดยกกําลัง 2 ที่ถ่วงน้ําหนักระหว่างเมทริกซ์เดิมและการจัดโครงสร้างใหม่ โดยการสลับระหว่างการแก้ไขแฟกทอเรียลแถวและแฟกทอเรียลของคอลัมน์ การเพิ่มประสิทธิภาพแต่ละรายการอาจแก้ได้ตามจํานวนสแควร์ การเพิ่มประสิทธิภาพ Conversion เป็นอย่างน้อย โปรดดูรายละเอียดในหลักสูตรระบบการแนะนํา