دليل بسيط لبناء التعلم الآلي لنظام التوصيات [2022]

تميل معظم شركات الإنترنت اليوم إلى تقديم تجربة مستخدم مخصصة. نظام التوصية في التعلم الآلي هو نوع معين من التطبيقات المخصصة القائمة على الويب والتي توفر للمستخدمين توصيات مخصصة حول المحتوى الذي قد يكونون مهتمين به. يُعرف نظام التوصية أيضًا باسم نظام التوصية.

ما هو نظام التوصيات؟

يمكن لنظام التوصية في التعلم الآلي التنبؤ بمتطلبات مجموعة من الأشياء للمستخدم والتوصية بأهم الأشياء التي قد تكون مطلوبة.

تعد أنظمة التوصيات واحدة من أكثر التطبيقات انتشارًا لتقنيات التعلم الآلي المطبقة على الشركات.

يمكننا العثور على أنظمة توصية على نطاق واسع في البيع بالتجزئة أو الفيديو حسب الطلب أو بث الموسيقى.

تحاول أنظمة التوصيات تحويل أجزاء من نموذج الكشف عن البيانات إلى آلية ، حيث يحاول الأفراد اكتشاف آخرين لديهم أذواق مماثلة ، ثم يطلبون لاحقًا أن يوصوا بعناصر جديدة.

انضم إلى دورة التعلم الآلي عبر الإنترنت من أفضل الجامعات في العالم - الماجستير ، وبرامج الدراسات العليا التنفيذية ، وبرنامج الشهادات المتقدمة في ML & AI لتسريع حياتك المهنية.

أنواع نظام التوصيات

1. شخصية- توصية على أساس اهتمامك.
2. غير مخصص - ما يبحث عنه العملاء الآخرون الآن.

ما هي الحاجة إلى نظام التوصيات؟

أحد الأسباب الرئيسية وراء حاجتنا إلى نظام توصية في التعلم الآلي هو أنه نظرًا للإنترنت ، يتوفر لدى الأشخاص العديد من الخيارات التي يمكنهم الاختيار من بينها للشراء.

في الماضي ، اعتاد الناس التسوق في المتاجر الفعلية ، حيث كان توافر العناصر محدودًا.

على سبيل المثال ، يعتمد عدد الأفلام الموضوعة في متجر تأجير الفيديو على حجم المتجر. يتيح الويب للأشخاص الوصول إلى الكثير من الموارد عبر الإنترنت. لدى Netflix مجموعة رائعة من الأفلام. مع زيادة كمية المعلومات المتاحة ، نشأت مشكلة جديدة ووجد الناس صعوبة في الاختيار من بين مجموعة متنوعة من الخيارات. ومن ثم ، دخلت أنظمة التوصية حيز الاستخدام.

أين تستخدم أنظمة التوصية؟

• تستخدم مواقع التجارة الإلكترونية الكبيرة هذه الأداة لاقتراح العناصر التي قد يرغب المستهلك في شرائها.
• تخصيص الويب.

كيف يعمل نظام التوصيات؟

• يمكننا اقتراح أشياء على العميل تحظى بشعبية عامة بين العملاء الآخرين.
• يمكننا تقسيم العملاء إلى عدة مجموعات وفقًا لاختيارات منتجاتهم واقتراح الأشياء التي قد يشترونها.

كل من الأساليب المذكورة أعلاه لها عيوبها. في الحالة الأولى ، ستكون الأشياء السائدة والأكثر شيوعًا هي نفسها لكل عميل. وبالتالي ، من المحتمل أن يتلقى الجميع اقتراحات مماثلة. بينما في الحالة الثانية ، مع زيادة عدد العملاء ، سيزداد أيضًا عدد الأشياء التي تم إبرازها كاقتراحات. وبالتالي ، سيكون من الصعب تجميع جميع العملاء في أقسام مختلفة.

الآن ، سوف نرى كيف يعمل نظام التوصية.

جمع البيانات

هذه هي الخطوة الأولى والأكثر أهمية في إنشاء نظام التوصية. يتم جمع المعلومات بشكل متكرر بطريقتين: صريحة وضمنية.

ستكون المعلومات الصريحة هي البيانات المقدمة عمداً ، أي المساهمة التي قدمها العملاء مثل مراجعات الأفلام. المعلومات الضمنية هي البيانات التي لم يتم تقديمها بشكل مقصود ، ولكن تم جمعها من تدفقات المعلومات التي يمكن الوصول إليها ، على سبيل المثال ، النقرات ومحفوظات البحث وسجل الطلبات وما إلى ذلك.

مستودع البيانات

يشير حجم المعلومات إلى صدق اقتراحات النموذج. يلعب نوع المعلومات دورًا مهمًا في انتقاء البيانات من مجموعة كبيرة من السكان. يمكن أن تشتمل السعة على قاعدة معلومات SQL و NoSQL قياسية أو شكل من أشكال تخزين المقالات.

ترشيح البيانات

بعد الجمع والتخزين ، يجب تصفية هذه البيانات لاستخراج المعلومات لتقديم التوصيات النهائية. خوارزميات مختلفة تجعل عملية التصفية أسهل.

خوارزميات لنظام التوصيات

تقدم أنظمة البرامج اقتراحات للمستخدمين باستخدام التكرارات والسمات التاريخية للعناصر / المستخدمين.

هناك طريقتان لبناء نظام توصية.

1. التوصية على أساس المحتوى

• يستخدم سمات العناصر / المستخدمين
• أوصي بعناصر مشابهة لتلك التي أحبها المستخدم في الماضي

2. التصفية التعاونية

• أوصي بالعناصر التي يحبها المستخدمون المماثلون
• تمكين استكشاف المحتوى المتنوع

توصية على أساس المحتوى

يحث التعلم الآلي الخاضع للإشراف المصنف على التمييز بين عناصر المستخدم الشيقة وغير المثيرة للاهتمام.

الهدف من نظام التوصية هو توقع الدرجات للأشياء غير المصنفة للمستخدمين. الفكرة الأساسية وراء تصفية المحتوى هي أن كل شيء له بعض النقاط البارزة س.

على سبيل المثال ، فيلم "Love at last" هو فيلم رومانسي وحصل على درجة عالية في تسليط الضوء على x1 ، ولكنه حصل على درجة منخفضة لـ x2.

( بيانات تقييمات الأفلام )

مصدر

كل فرد لديه معلمة θ تخبرهم مدى حبهم للأفلام الرومانسية ، ومدى حبهم لأفلام الحركة.

إذا كانت θ = [1، 0.1] ، فإن الفرد يحب الأفلام الرومانسية وليس أفلام الحركة.

يمكننا تحديد موقع θ الأمثل مع الانحدار الخطي لكل فرد.

(الرموز)

r (i، j): 1 إذا قام المستخدم j بتقييم الفيلم i (0 بخلاف ذلك)

y (i، j): تصنيف المستخدم j على الفيلم i (إذا تم تحديده)

θ (ي): معلمة متجه المستخدم

x (i): الفيلم الذي يتميز به المتجه

التصنيف المتوقع [المستخدم j ، الفيلم الأول]: (θ (ي)) ᵀx (i)

m (j): # عدد أفلام المستخدم j معدلات

nᵤ: عدد المستخدمين

n: عدد ميزات الفيلم

قراءة: موضوعات وأفكار مشاريع التعلم الآلي

تصفية التعاونية

الجانب السلبي لتصفية المحتوى هو أنه يحتاج إلى بيانات جانبية لكل شيء.

على سبيل المثال ، التصنيف مثل الرومانسية والحركة هو البيانات الجانبية للأفلام. من المكلف تحديد موقع شخص يشاهد الأفلام ويضيف بيانات جانبية لكل فيلم هناك.

الافتراضات الأساسية

• المستخدمون الذين لديهم اهتمامات مماثلة لديهم تفضيل مشترك.
• تتوفر أعداد كبيرة بما يكفي من تفضيلات المستخدم.

المناهج الرئيسية

• المستندة إلى المستخدم
• على أساس البند

كيف يمكن للمرء أن يسرد جميع ميزات الأفلام؟ ماذا لو أراد المرء إضافة ميزة جديدة؟ هل يجب أن نضيف الميزة الجديدة لكل الأفلام؟

التصفية التعاونية تحل هذه المشكلة.

( يتنبأ بميزة الفيلم ) المصدر

المشاكل والصيانة مع نظام التوصيات في التعلم الآلي

مشاكل

• بنية إدخال المستخدم غير الحاسمة
• البحث عن مستخدمين للمشاركة في دراسات النقد
• حسابات ضعيفة
• نتائج سيئة
• المعلومات السيئة
• نقص المعلومات
• التحكم في الخصوصية (قد لا يتعاون بشكل لا لبس فيه مع الإيصالات)

صيانة

• مكلفة
• تصبح المعلومات قديمة
• جودة المعلومات (تطوير مساحة هائلة ، دائرة)

تعود جذور أنظمة التوصيات في التعلم الآلي إلى مجالات بحث مختلفة ، مثل استرجاع المعلومات ، وتصنيف النص ، وتطبيق طرق مختلفة من أقسام متنوعة مثل التعلم الآلي ، واستخراج البيانات ، والأنظمة القائمة على المعرفة.

مستقبل نظام التوصيات

• يفهم استخراج التقييمات السلبية من خلال فحص الأشياء التي أعيدت.
• كيفية دمج المنطقة المحلية مع المقترحات.
• سيتم استخدام أنظمة التوصية لاحقًا لتوقع الاهتمام بالعناصر ، مما يتيح إمكانية إعادة المراسلات السابقة إلى شبكة المتجر.

قم بترقية حياتك المهنية في التعلم الآلي باستخدام upGrad

إذا كنت مهتمًا بمعرفة المزيد عن التعلم الآلي ، فراجع برنامج IIIT-B & upGrad's Executive PG في التعلم الآلي والذكاء الاصطناعي المصمم للمهنيين العاملين ويقدم أكثر من 450 ساعة من التدريب الصارم ، وأكثر من 30 دراسة حالة ومهمة ، IIIT -ب حالة الخريجين ، 5+ مشاريع التخرج العملية العملية والمساعدة في العمل مع الشركات الكبرى.