Vorteile
Keine Domänenkenntnisse erforderlich
Wir benötigen kein Domänenwissen, da die Einbettungen automatisch erlernt werden.Serendipität
Das Modell kann Nutzenden helfen, neue Interessen zu entdecken. Isoliert kann das ML-System wissen nicht, dass der Nutzer an einem bestimmten Artikel interessiert ist, aber das Modell kann da ähnliche Nutzer an diesem Artikel interessiert sind.Guter Ausgangspunkt
Zum Trainieren einer Matrix benötigt das System nur die Feedbackmatrix. Faktorisierungsmodells. Insbesondere benötigt das System keine kontextbezogenen Funktionen. In der Praxis kann dies als einer von mehreren Kandidatengeneratoren verwendet werden.
Nachteile
Neue Artikel können nicht verarbeitet werden
Die Vorhersage des Modells für ein bestimmtes (Nutzer, Element)-Paar ist der Punkt Produkt der entsprechenden Einbettungen. Wenn also ein Element nicht angezeigt wird, kann das System während des Trainings keine Einbettung dafür erstellen und das Modell mit diesem Element abfragen. Dieses Problem wird oft als Kaltstartproblem. Mit den folgenden Methoden können Sie jedoch Kaltstartproblem zu beheben:
Projektion in WALS: Bei einem neuen Element, \(i_0\) das im Training nicht sichtbar ist, Interaktionen mit Nutzenden erfolgen, kann das System eine Einbettung \(v_{i_0}\) für dieses Element berechnen, um das gesamte Modell neu zu trainieren. Das System muss lediglich Folgendes lösen: oder die gewichtete Version:
\[\min_{v_{i_0} \in \mathbb R^d} \|A_{i_0} - U v_{i_0}\|\]
Die vorherige Gleichung entspricht einer Iteration in WALS: die Die Nutzereinbettungen bleiben unveränderlich und das System löst die Einbettungen. von Element \(i_0\). Dasselbe können Sie für einen neuen Nutzer tun.
Heuristik zum Generieren von Einbettungen neuer Elemente Wenn das System keine Interaktionen hat, kann das System seine Einbettung durch Mittelung der Einbettungen von Artikeln aus derselben Kategorie aus der denselben Uploader (auf YouTube) usw.
Es ist schwierig, Nebenfunktionen für die Suchanfrage/Artikel hinzuzufügen
Nebenfunktionen sind alle Funktionen, die über die Suchanfrage oder Artikel-ID hinausgehen. Für Filme Empfehlungen, können die Nebenfunktionen Land oder Alter umfassen. Mit verbessern die Modellqualität. Obwohl ist es nicht immer einfach, Nebenfunktionen in WALS eine Generalisierung von WALS.
Zum Verallgemeinern von WALS ergänzen Sie die Eingabematrix mit Features, indem Sie eine Blockmatrix \(\bar A\), wobei Folgendes gilt:
- Block (0, 0) ist die ursprüngliche Feedbackmatrix \(A\).
- Block (0, 1) ist eine Multi-Hot-Codierung der Nutzerfunktionen.
- Block (1, 0) ist eine Multi-Hot-Codierung der Artikelmerkmale.