Einfache Anleitung zum Erstellen von Empfehlungssystemen für maschinelles Lernen [2022]

Die meisten der heutigen Internetunternehmen neigen dazu, eine personalisierte Benutzererfahrung anzubieten. Ein Empfehlungssystem beim maschinellen Lernen ist eine besondere Art von personalisierter webbasierter Anwendung, die Benutzern personalisierte Empfehlungen zu Inhalten gibt, an denen sie interessiert sein könnten. Das Empfehlungssystem wird auch als Empfehlungssystem bezeichnet.

Was ist ein Empfehlungssystem?

Ein Empfehlungssystem beim maschinellen Lernen kann die Anforderungen einer Reihe von Dingen für einen Benutzer vorhersagen und die wichtigsten Dinge empfehlen, die möglicherweise benötigt werden.

Empfehlungssysteme sind eine der am weitesten verbreiteten Anwendungen maschineller Lerntechnologien für Unternehmen.

Wir finden groß angelegte Empfehlungssysteme im Einzelhandel, Video-on-Demand oder Musik-Streaming.

Empfehlungssysteme versuchen, Teile eines einzigartigen Datenoffenlegungsmodells zu robotisieren, bei dem Einzelpersonen versuchen, andere mit vergleichbaren Vorlieben zu entdecken, und später darum bitten, dass sie neue Artikel empfehlen.

Nehmen Sie online am Machine Learning-Kurs der weltbesten Universitäten teil – Master, Executive Post Graduate Programs und Advanced Certificate Program in ML & AI, um Ihre Karriere zu beschleunigen.

Arten eines Empfehlungssystems

1. Personalisierte Empfehlung basierend auf Ihrem Interesse.
2. Nicht personalisiert – was andere Kunden gerade sehen.

Was ist die Notwendigkeit für ein Empfehlungssystem?

Einer der Hauptgründe, warum wir ein Empfehlungssystem im maschinellen Lernen brauchen, ist, dass die Menschen aufgrund des Internets zu viele Optionen haben, aus denen sie kaufen können.

In der Vergangenheit kauften die Menschen in Ladengeschäften ein, wo die Verfügbarkeit von Artikeln begrenzt war.

Beispielsweise hing die Anzahl der eingestellten Filme in einer Videothek von der Größe der Filiale ab. Das Web ermöglicht es den Menschen, auf viele Online-Ressourcen zuzugreifen. Netflix hat eine große Sammlung von Filmen. Als das Quantum verfügbarer Informationen zunahm, entstand ein neues Problem, und die Menschen fanden es schwierig, aus einer Vielzahl von Optionen auszuwählen. Daher kamen die Empfehlungssysteme zum Einsatz.

Wo werden Empfehlungssysteme eingesetzt?

• Große E-Commerce-Websites verwenden dieses Tool, um Artikel vorzuschlagen, die ein Verbraucher möglicherweise kaufen möchte.
• Web-Personalisierung.

Wie funktioniert das Empfehlungssystem?

• Wir können einem Kunden Dinge vorschlagen, die bei anderen Kunden im Allgemeinen beliebt sind.
• Wir können die Kunden gemäß ihrer Produktauswahl in mehrere Gruppen einteilen und die Dinge vorschlagen, die sie kaufen können.

Beide oben genannten Techniken haben ihre Nachteile. Im ersten Fall wären die beliebtesten Mainstream-Sachen für jeden Kunden gleich. Daher wird wahrscheinlich jeder ähnliche Vorschläge erhalten. Während im zweiten Fall die Anzahl der Kunden zunimmt, wird auch die Anzahl der als Vorschläge hervorgehobenen Dinge zunehmen. Daher wird es schwierig sein, alle Clients in verschiedenen Abschnitten zu gruppieren.

Nun werden wir sehen, wie das Empfehlungssystem funktioniert.

Datensammlung

Dies ist der erste und wichtigste Schritt beim Erstellen eines Empfehlungssystems. Die Informationen werden häufig auf zwei Arten gesammelt: explizit und implizit.

Explizite Informationen sind bewusst gemachte Angaben, zB Beiträge von Auftraggebern wie Filmkritiken. Implizite Informationen sind die Daten, die nicht absichtlich angegeben, sondern aus zugänglichen Informationsströmen gesammelt werden, z. B. Klicks, Suchverlauf, Anfrageverlauf und so weiter.

Datenablage

Die Informationsmenge weist auf die Ehrlichkeit der Vorschläge des Modells hin. Der Informationstyp spielt eine wichtige Rolle bei der Auswahl von Daten aus einer großen Population. Die Kapazität kann eine Standard-SQL- und NoSQL-Informationsbasis oder eine Form der Artikelbevorratung umfassen.

Datenfilterung

Nach der Erfassung und Speicherung müssen diese Daten gefiltert werden, um die Informationen für die endgültigen Empfehlungen zu extrahieren. Verschiedene Algorithmen erleichtern den Filterprozess.

Algorithmen für Empfehlungssystem

Softwaresysteme geben Benutzern Vorschläge, indem sie historische Iterationen und Attribute von Artikeln/Benutzern verwenden.

Es gibt zwei Methoden, um ein Empfehlungssystem aufzubauen.

1. Inhaltsbasierte Empfehlung

• Verwendet Attribute von Artikeln/Benutzern
• Empfehlen Sie Artikel, die denen ähneln, die dem Benutzer in der Vergangenheit gefallen haben

2. Kollaboratives Filtern

• Empfehlen Sie Artikel, die ähnlichen Benutzern gefallen
• Ermöglichen Sie die Erkundung verschiedener Inhalte

Inhaltsbasierte Empfehlung

Überwachtes maschinelles Lernen veranlasst einen Klassifikator, zwischen interessanten und uninteressanten Benutzerelementen zu unterscheiden.

Das Ziel eines Empfehlungssystems ist es, die Punktzahlen für unbewertete Dinge der Benutzer zu prognostizieren. Der Grundgedanke hinter der Inhaltsfilterung ist, dass alles ein paar Highlights x hat.

Zum Beispiel ist der Film „Endlich Liebe“ ein Liebesfilm und hat eine hohe Punktzahl für Highlight x1, jedoch eine niedrige Punktzahl für x2.

( Filmbewertungsdaten )

Quelle

Jede Person hat einen Parameter θ, der angibt, wie sehr sie Liebesfilme und wie sehr sie Actionfilme lieben.

Wenn θ = [1, 0,1], liebt die Person Liebesfilme, jedoch keine Actionfilme.

Wir können das optimale θ mit linearer Regression für jedes Individuum lokalisieren.

(Notation)

r(i,j): 1, wenn Benutzer j Film i bewertet hat (sonst 0)

y(i,j): Bewertung von Benutzer j für Film i (falls definiert)

θ(j): Benutzervektorparameter

x(i): Merkmalsvektor von Film i

vorhergesagte Bewertung [Benutzer j, Film i]: (θ(j))ᵀx(i)

m(j): # Anzahl von Filmen, Benutzer-j-Raten

nᵤ: Anzahl der Benutzer

n: Anzahl der Features eines Films

Lesen Sie: Ideen und Themen für Machine Learning-Projekte

Kollaboratives Filtern

Der Nachteil der Inhaltsfilterung ist, dass sie für alles Nebendaten benötigt.

Zum Beispiel sind Klassifizierungen wie Romantik und Action die Nebendaten von Filmen. Es ist kostspielig, jemanden zu finden, der sich Filme ansieht und Nebendaten für jeden Film hinzufügt.

Grundannahmen

• Benutzer mit ähnlichen Interessen haben eine gemeinsame Präferenz.
• Es stehen ausreichend viele Benutzereinstellungen zur Verfügung.

Hauptansätze

• Benutzerbasiert
• Artikelbasiert

Wie kann man möglicherweise alle Features von Filmen auflisten? Was ist, wenn man eine neue Funktion hinzufügen möchte? Sollen wir die neue Funktion allen Filmen hinzufügen?

Collaborative Filtering löst dieses Problem.

( Sagt die Funktion des Films voraus ) Quelle

Probleme & Wartung mit Empfehlungssystem im maschinellen Lernen

Probleme

• Die nicht schlüssige Benutzereingabestruktur
• Suche nach Benutzern zur Teilnahme an Kritikstudien
• Schwache Berechnungen
• Schlechte Ergebnisse
• Schlechte Informationen
• Informationsmangel
• Datenschutzkontrolle (darf nicht eindeutig mit Quittungen übereinstimmen)

Instandhaltung

• Teuer
• Informationen werden obsolet
• Informationsqualität (enorme, kreisförmige Raumentwicklung)

Empfehlungssysteme im maschinellen Lernen haben ihre Wurzeln in verschiedenen Forschungsgebieten, wie Informationsbeschaffung, Textklassifikation und der Anwendung verschiedener Methoden aus verschiedenen Bereichen wie maschinellem Lernen, Data Mining und wissensbasierten Systemen.

Die Zukunft des Empfehlungssystems

• Extrahieren Sie verstandene negative Bewertungen durch die Prüfung der zurückgebrachten Dinge.
• Wie man die Umgebung mit Vorschlägen einbezieht.
• Empfehlungssysteme werden später verwendet, um das Interesse an Artikeln zu antizipieren und die vorherige Korrespondenz an das Filialnetz zu ermöglichen.

Verbessern Sie Ihre Karriere im maschinellen Lernen mit upGrad

Wenn Sie mehr über maschinelles Lernen erfahren möchten, sehen Sie sich das Executive PG-Programm von IIIT-B & upGrad für maschinelles Lernen und KI an, das für Berufstätige konzipiert ist und mehr als 450 Stunden strenge Schulungen, mehr als 30 Fallstudien und Aufgaben, IIIT, bietet -B Alumni-Status, mehr als 5 praktische Schlusssteinprojekte und Arbeitsunterstützung bei Top-Unternehmen.