Ortak çalışmaya dayalı filtrelemenin avantajları & dezavantajları

Avantajları

Alan bilgisi gerekmez

Yerleşik öğeler otomatik olarak öğrenildiği için alan bilgisi gerekmez.

Ortaklık

Model, kullanıcıların yeni ilgi alanları keşfetmesine yardımcı olabilir. Makine öğrenimi sistemi izole olarak emin olamayabilir ancak modelin, Benzer kullanıcılar söz konusu öğeyle ilgilendiğinden onu önermektedir.

Mükemmel bir başlangıç noktası

Bir ölçüde, sistemin bir matrisi eğitmek için yalnızca geri bildirim matrisine ihtiyacı vardır çarpanlara ayırma modelini kullanır. Özellikle, sistem bağlamsal özelliklere ihtiyaç duymaz. Pratikte bu, birden fazla aday oluşturma aracından biri olarak kullanılabilir.

Dezavantajları

Yeni öğeler işlenemiyor

Belirli bir (kullanıcı, öğe) çifti için model tahmini, nokta ürünü oluşturmalıdır. Dolayısıyla bir öğe sistem bunun için bir gömme oluşturamaz ve bu öğeyle modeli sorgulayabilir. Bu sorun genelde baştan başlatma sorunu. Ancak, aşağıdaki teknikler sorunu çözebilir soğuk başlatma sorununu bir dereceye kadar

• WALS'daki projeksiyon. Eğitimde görülmeyen $i_0$ yeni bir öğe göz önüne alındığında, sistem kullanıcılarla birkaç etkileşime giriyorsa, bu öğe için yerleştirme işlemi $v_{i_0}$ yapmadan önce yeniden eğitmek için kullanır. Sistemin yalnızca aşağıdaki veya ağırlıklı sürümü şu şekilde olacaktır:

  $$\min_{v_{i_0} \in \mathbb R^d} \|A_{i_0} - U v_{i_0}\|$$

  Önceki denklem, WALS'de tek bir iterasyona karşılık gelir: kullanıcı yerleştirmeleri sabit tutulur ve sistem, yerleşik konuma $i_0$. öğe Aynı şey yeni bir kullanıcı için de yapılabilir.

• Yeni öğeleri yerleştirmeleri oluşturmak için bulgular. Eğer etkileşim yoksa sistem, öğe yerleştirme işlemini yaklaşık olarak seçilen öğeden, aynı kategorideki diğer öğelere ait yerleştirmelerin aynı yükleyici (YouTube'da) vb.

Sorgu/öğe için yan özellikler eklemenin zor olması

Yan özellikler, sorgu veya öğe kimliğinin dışındaki özelliklerdir. Film için önerileri görmek istemiyorsanız, yan özellikler ülke veya yaşı içerebilir. Şunları içeriyor: sunulan yan özellikler modelin kalitesini artırır. Her ne kadar WALS'a yan özellikler eklemek kolay olmayabilir WALS'ın genelleştirilmesi bunu mümkün kılar.

WALS'yı genelleştirmek için giriş matrisini özelliklerle blok matrisi $\bar A$, burada:

• Blok (0, 0), orijinal geri bildirim matrisidir $A$.
• Blok (0, 1), kullanıcı özelliklerinin çok çalışırken kodlanmasıdır.
• Blok (1, 0), öğe özelliklerinin çok çalışırken kodlanmasıdır.

Not: Blok (1, 1) genellikle boş bırakılır. Matrisi çarpanlara ayırmadan önce $\bar A$sisteme kullanıcı ve öğe yerleştirmelerine ek olarak yan özellikler.