Guía simple para construir el aprendizaje automático del sistema de recomendación [2022]

La mayoría de las empresas de Internet actuales tienden a ofrecer una experiencia de usuario personalizada. Un sistema de recomendación en el aprendizaje automático es un tipo particular de aplicación personalizada basada en la web que proporciona a los usuarios recomendaciones personalizadas sobre el contenido que les puede interesar. El sistema de recomendación también se conoce como sistema de recomendación.

¿Qué es un sistema de recomendación?

Un sistema de recomendación en el aprendizaje automático puede predecir los requisitos de un montón de cosas para un usuario y recomendar las cosas principales que pueden ser necesarias.

Los sistemas de recomendación son una de las aplicaciones más extendidas de las tecnologías de aprendizaje automático aplicadas a las empresas.

Podemos encontrar sistemas de recomendación a gran escala en retail, vídeo bajo demanda o streaming de música.

Los sistemas de recomendación intentan robotizar partes de un modelo único de revelación de datos, donde las personas intentan descubrir a otros con gustos similares y luego solicitan que recomienden nuevos elementos.

Únase al curso de aprendizaje automático en línea de las mejores universidades del mundo: maestrías, programas ejecutivos de posgrado y programa de certificado avanzado en ML e IA para acelerar su carrera.

Tipos de un sistema de recomendación

1. Personalizado- recomendación basada en su interés.
2. No personalizado: lo que otros clientes están mirando en este momento.

¿Cuál es la necesidad de un sistema de recomendación?

Una de las razones clave por las que necesitamos un sistema de recomendación en el aprendizaje automático es que, debido a Internet, las personas tienen demasiadas opciones entre las que pueden elegir comprar.

En el pasado, la gente solía comprar en tiendas físicas, donde la disponibilidad de artículos era limitada.

Por ejemplo, la cantidad de películas colocadas en una tienda de alquiler de videos dependía del tamaño de la tienda. La web permite a las personas acceder a muchos recursos en línea. Netflix tiene una gran colección de películas. A medida que aumentó la cantidad de información disponible, surgió un nuevo problema y a las personas les resultó difícil elegir entre una amplia variedad de opciones. Por lo tanto, los sistemas de recomendación entraron en uso.

¿Dónde se utilizan los sistemas de recomendación?

• Los grandes sitios de comercio electrónico utilizan esta herramienta para sugerir artículos que un consumidor puede desear comprar.
• Personalización web.

¿Cómo funciona el sistema de recomendación?

• Podemos sugerir cosas a un cliente que generalmente son populares entre otros clientes.
• Podemos dividir a los clientes en varios grupos según sus opciones de productos y sugerir las cosas que pueden comprar.

Ambas técnicas anteriores tienen sus desventajas. En el primer caso, las cosas más populares y convencionales serían las mismas para todos los clientes. Por lo tanto, todo el mundo probablemente recibirá sugerencias similares. Mientras que en la segunda, a medida que aumenta el número de clientes, también aumentará la cantidad de cosas destacadas como sugerencias. Por lo tanto, será difícil agrupar a todos los clientes en diferentes secciones.

Ahora, veremos cómo funciona el sistema de recomendaciones.

Recopilación de datos

Este es el primer y más importante paso en la creación de un sistema de recomendación. La información se recopila frecuentemente por dos métodos: explícito e implícito.

Serán datos explícitos los dados de forma deliberada, es decir, la aportación de clientes como las críticas cinematográficas. La información implícita son los datos que no se proporcionan a propósito, pero que se recopilan a partir de flujos de información accesibles, por ejemplo, clics, historial de búsqueda, historial de solicitudes, etc.

Repositorio de datos

El volumen de información indica la honestidad de las sugerencias del modelo. El tipo de información tiene un papel importante en la selección de datos de una gran población. La capacidad puede comprender una base de información estándar SQL y NoSQL o una forma de almacenamiento de artículos.

Filtración de datos

Después de la recopilación y el almacenamiento, estos datos deben filtrarse para extraer la información para hacer las recomendaciones finales. Varios algoritmos facilitan el proceso de filtrado.

Algoritmos para el Sistema de Recomendación

Los sistemas de software brindan sugerencias a los usuarios utilizando iteraciones históricas y atributos de artículos/usuarios.

Hay dos métodos para construir un sistema de recomendación.

1. Recomendación basada en el contenido

• Utiliza atributos de elementos/usuarios
• Recomendar artículos similares a los que le gustaron al usuario en el pasado

2. Filtrado colaborativo

• Recomendar elementos que les gusten a usuarios similares
• Permitir la exploración de contenido diverso

Recomendación basada en el contenido

El aprendizaje automático supervisado induce a un clasificador a distinguir entre elementos de usuario interesantes y no interesantes.

El objetivo de un sistema de recomendación es pronosticar las puntuaciones de las cosas no calificadas de los usuarios. El pensamiento fundamental detrás del filtrado de contenido es que todo tiene algunos puntos destacados x.

Por ejemplo, la película “Por fin amor” es una película de romance y tiene una puntuación alta para destacar x1, pero una puntuación baja para x2.

( Datos de clasificación de películas )

Fuente

Cada individuo tiene un parámetro θ que dice cuánto aman las películas románticas y cuánto aman las películas de acción.

Si θ = [1, 0.1], el individuo ama las películas románticas pero no las películas de acción.

Podemos localizar el θ óptimo con regresión lineal para cada individuo.

(Notación)

r(i,j): 1 si el usuario j ha calificado la película i (0 en caso contrario)

y(i,j): calificación del usuario j en la película i (si está definida)

θ(j): parámetro del vector de usuario

x(i): vector de función de película i

calificación prevista [usuario j, película i]: (θ(j))ᵀx(i)

m(j): # número de películas que el usuario j califica

nᵤ: # de usuarios

n: # de características de una película

Leer: Ideas y temas de proyectos de aprendizaje automático

Filtración colaborativa

La desventaja del filtrado de contenido es que necesita datos secundarios para todo.

Por ejemplo, la clasificación como romance y acción son los datos secundarios de las películas. Es costoso encontrar a alguien que mire películas y agregue información adicional para cada película.

Supuestos básicos

• Los usuarios con intereses similares tienen una preferencia común.
• Hay disponible un número suficientemente grande de preferencias de usuario.

Enfoques principales

• basado en el usuario
• basado en artículos

¿Cómo es posible enumerar todas las características de las películas? ¿Qué pasa si uno quiere agregar una nueva función? ¿Deberíamos agregar la nueva función a todas las películas?

El filtrado colaborativo resuelve este problema.

( Predice la característica de la película ) Fuente

Problemas y mantenimiento con el sistema de recomendación en aprendizaje automático

Problemas

• La estructura de entrada del usuario no concluyente
• Buscando usuarios para participar en estudios de crítica
• Cálculos débiles
• Resultados pobres
• mala informacion
• Falta de información
• Control de privacidad (no puede asociarse inequívocamente con recibos)

Mantenimiento

• Costoso
• La información se vuelve obsoleta
• Calidad de la información (enorme desarrollo del espacio circular)

Los sistemas de recomendación en el aprendizaje automático tienen sus raíces en varias áreas de investigación, como la recuperación de información, la clasificación de textos y la aplicación de diferentes métodos de diversas secciones, como el aprendizaje automático, la minería de datos y los sistemas basados ​​en el conocimiento.

El futuro del sistema de recomendación

• Extraer apreciaciones negativas entendidas mediante el examen de las cosas devueltas.
• Cómo incorporar el territorio local con propuestas.
• Los sistemas de recomendación se utilizarán más adelante para anticipar el interés por los artículos, lo que permitirá la correspondencia previa con la red de tiendas.

Mejore su carrera en aprendizaje automático con upGrad

Si está interesado en obtener más información sobre el aprendizaje automático, consulte el Programa PG Ejecutivo en Aprendizaje Automático e IA de IIIT-B y upGrad, que está diseñado para profesionales que trabajan y ofrece más de 450 horas de capacitación rigurosa, más de 30 estudios de casos y asignaciones, IIIT -Estado de exalumno B, más de 5 proyectos prácticos finales prácticos y asistencia laboral con las mejores empresas.