সুবিধাদি
কোন ডোমেইন জ্ঞান প্রয়োজন
আমাদের ডোমেন জ্ঞানের প্রয়োজন নেই কারণ এমবেডিংগুলি স্বয়ংক্রিয়ভাবে শেখা হয়৷লাভজনক
মডেল ব্যবহারকারীদের নতুন আগ্রহ আবিষ্কার করতে সাহায্য করতে পারে. বিচ্ছিন্নভাবে, ML সিস্টেম হয়তো জানে না যে ব্যবহারকারী একটি প্রদত্ত আইটেমে আগ্রহী, কিন্তু মডেলটি এখনও এটি সুপারিশ করতে পারে কারণ একই ব্যবহারকারীরা সেই আইটেমে আগ্রহী।মহান শুরু বিন্দু
কিছু পরিমাণে, একটি ম্যাট্রিক্স ফ্যাক্টরাইজেশন মডেল প্রশিক্ষণের জন্য সিস্টেমের শুধুমাত্র প্রতিক্রিয়া ম্যাট্রিক্স প্রয়োজন। বিশেষ করে, সিস্টেমের প্রাসঙ্গিক বৈশিষ্ট্যের প্রয়োজন নেই। অনুশীলনে, এটি একাধিক প্রার্থী জেনারেটরের একটি হিসাবে ব্যবহার করা যেতে পারে।
অসুবিধা
তাজা আইটেম পরিচালনা করতে পারে না
একটি প্রদত্ত (ব্যবহারকারী, আইটেম) জোড়ার জন্য মডেলের পূর্বাভাস হল সংশ্লিষ্ট এমবেডিংগুলির ডট পণ্য৷ সুতরাং, যদি প্রশিক্ষণের সময় একটি আইটেম দেখা না যায়, তবে সিস্টেম এটির জন্য একটি এম্বেডিং তৈরি করতে পারে না এবং এই আইটেমটির সাথে মডেলটি জিজ্ঞাসা করতে পারে না। এই সমস্যাটিকে প্রায়ই কোল্ড-স্টার্ট সমস্যা বলা হয়। যাইহোক, নিম্নলিখিত কৌশলগুলি কিছু পরিমাণে কোল্ড-স্টার্ট সমস্যার সমাধান করতে পারে:
WALS এ অভিক্ষেপ। প্রদত্ত একটি নতুন আইটেম \(i_0\) যা প্রশিক্ষণে দেখা যায়নি, যদি সিস্টেমের ব্যবহারকারীদের সাথে কিছু মিথস্ক্রিয়া থাকে, তাহলে সিস্টেমটি সম্পূর্ণ মডেলটিকে পুনরায় প্রশিক্ষণ না দিয়ে সহজেই এই আইটেমের জন্য একটি এমবেডিং \(v_{i_0}\) গণনা করতে পারে৷ সিস্টেমটিকে কেবল নিম্নলিখিত সমীকরণ বা ওজনযুক্ত সংস্করণটি সমাধান করতে হবে:
\[\min_{v_{i_0} \in \mathbb R^d} \|A_{i_0} - U v_{i_0}\|\]
পূর্ববর্তী সমীকরণটি WALS-এ একটি পুনরাবৃত্তির সাথে মিলে যায়: ব্যবহারকারীর এম্বেডিংগুলি স্থির রাখা হয়, এবং সিস্টেম \(i_0\)আইটেমের এমবেডিংয়ের জন্য সমাধান করে। নতুন ব্যবহারকারীর জন্যও একই কাজ করা যেতে পারে।
হিউরিস্টিকস তাজা আইটেম এমবেডিং তৈরি করতে. যদি সিস্টেমে ইন্টারঅ্যাকশন না থাকে, তাহলে সিস্টেমটি একই বিভাগের আইটেমগুলির এমবেডিংয়ের গড় করে, একই আপলোডার থেকে (YouTube-এ) এবং আরও অনেক কিছু করে তার এম্বেডিং আনুমানিক করতে পারে।
ক্যোয়ারী/আইটেমের জন্য পার্শ্ব বৈশিষ্ট্য অন্তর্ভুক্ত করা কঠিন
পার্শ্ব বৈশিষ্ট্যগুলি ক্যোয়ারী বা আইটেম আইডির বাইরে যে কোনও বৈশিষ্ট্য। চলচ্চিত্রের সুপারিশের জন্য, পার্শ্ব বৈশিষ্ট্যগুলির মধ্যে দেশ বা বয়স অন্তর্ভুক্ত থাকতে পারে। উপলব্ধ পার্শ্ব বৈশিষ্ট্যগুলি সহ মডেলের গুণমান উন্নত করে৷ যদিও WALS-এ পার্শ্ব বৈশিষ্ট্যগুলি অন্তর্ভুক্ত করা সহজ নাও হতে পারে,WALS-এর একটি সাধারণীকরণ এটিকে সম্ভব করে তোলে।
WALS কে সাধারণীকরণ করতে, একটি ব্লক ম্যাট্রিক্স \(\bar A\)সংজ্ঞায়িত করে বৈশিষ্ট্য সহ ইনপুট ম্যাট্রিক্সকে বৃদ্ধি করুন , যেখানে:
- ব্লক (0, 0) হল আসল ফিডব্যাক ম্যাট্রিক্স \(A\)।
- ব্লক (0, 1) ব্যবহারকারীর বৈশিষ্ট্যগুলির একটি মাল্টি-হট এনকোডিং।
- ব্লক (1, 0) হল আইটেম বৈশিষ্ট্যগুলির একটি মাল্টি-হট এনকোডিং।