Guide simple pour construire l'apprentissage automatique du système de recommandation [2022]

La plupart des entreprises Internet d'aujourd'hui ont tendance à offrir une expérience utilisateur personnalisée. Un système de recommandation dans l'apprentissage automatique est un type particulier d'application Web personnalisée qui fournit aux utilisateurs des recommandations personnalisées sur le contenu qui pourrait les intéresser. Le système de recommandation est également connu sous le nom de système de recommandation.

Qu'est-ce qu'un système de recommandation ?

Un système de recommandation dans l'apprentissage automatique peut prédire les exigences d'un tas de choses pour un utilisateur et recommander les principales choses qui peuvent être nécessaires.

Les systèmes de recommandation sont l'une des applications les plus répandues des technologies d'apprentissage automatique appliquées aux entreprises.

Nous pouvons trouver des systèmes de recommandation à grande échelle dans le commerce de détail, la vidéo à la demande ou le streaming musical.

Les systèmes de recommandation tentent de robotiser des parties d'un modèle de révélation de données unique, où les individus tentent d'en découvrir d'autres avec des goûts comparables, et demandent plus tard qu'ils recommandent de nouveaux éléments.

Rejoignez le cours d'apprentissage automatique en ligne des meilleures universités du monde - Masters, programmes de troisième cycle pour cadres et programme de certificat avancé en ML et IA pour accélérer votre carrière.

Types de système de recommandation

1. Personnalisé - recommandation basée sur votre intérêt.
2. Non personnalisé - ce que les autres clients regardent en ce moment.

Quel est le besoin d'un système de recommandation ?

L'une des principales raisons pour lesquelles nous avons besoin d'un système de recommandation dans l'apprentissage automatique est qu'en raison d'Internet, les gens ont trop d'options parmi lesquelles ils peuvent choisir d'acheter.

Dans le passé, les gens achetaient dans des magasins physiques, où la disponibilité des articles était limitée.

Par exemple, le nombre de films placés dans un magasin de location vidéo dépendait de la taille du magasin. Le Web permet aux gens d'accéder à de nombreuses ressources en ligne. Netflix a une grande collection de films. Au fur et à mesure que la quantité d'informations disponibles augmentait, un nouveau problème est apparu et les gens ont eu du mal à choisir parmi une grande variété d'options. Par conséquent, les systèmes de recommandation sont entrés en vigueur.

Où sont utilisés les systèmes de recommandation ?

• Les grands sites de commerce électronique utilisent cet outil pour suggérer des articles qu'un consommateur pourrait souhaiter acheter.
• Personnalisation Web.

Comment fonctionne le système de recommandation ?

• Nous pouvons suggérer des choses à un client qui sont généralement populaires parmi les autres clients.
• Nous pouvons diviser les clients en plusieurs groupes selon leurs choix de produits et suggérer les choses qu'ils peuvent acheter.

Les deux techniques ci-dessus ont leurs inconvénients. Dans le premier cas, les choses les plus populaires et les plus courantes seraient les mêmes pour tous les clients. Par conséquent, tout le monde recevra probablement des suggestions similaires. Alors que dans le second, à mesure que le nombre de clients augmente, le nombre de choses mises en évidence en tant que suggestions augmentera également. Ainsi, il sera difficile de regrouper tous les clients sous différentes sections.

Maintenant, nous allons voir comment fonctionne le système de recommandation.

Collecte de données

Il s'agit de la première étape, la plus importante, de la création d'un système de recommandation. Les informations sont fréquemment recueillies par deux méthodes : explicite et implicite.

Les informations explicites seront des données fournies délibérément, c'est-à-dire la contribution apportée par les clients comme les critiques de films. Les informations implicites sont les données qui ne sont pas fournies à dessein, mais recueillies à partir de flux d'informations accessibles, par exemple, les clics, l'historique des recherches, l'historique des demandes, etc.

Dépôt de données

Le volume d'informations indique l'honnêteté des suggestions du modèle. Le type d'information joue un rôle important dans la sélection des données d'une grande population. La capacité peut comprendre une base d'informations standard SQL et NoSQL ou une forme de stockage d'articles.

Filtrage des données

Après collecte et stockage, ces données doivent être filtrées pour extraire les informations permettant de formuler les recommandations finales. Divers algorithmes facilitent le processus de filtrage.

Algorithmes pour le système de recommandation

Les systèmes logiciels donnent des suggestions aux utilisateurs en utilisant des itérations historiques et des attributs d'éléments/d'utilisateurs.

Il existe deux méthodes pour construire un système de recommandation.

1. Recommandation basée sur le contenu

• Utilise les attributs des éléments/utilisateurs
• Recommander des articles similaires à ceux appréciés par l'utilisateur dans le passé

2. Filtrage collaboratif

• Recommander des articles appréciés par des utilisateurs similaires
• Permettre l'exploration de divers contenus

Recommandation basée sur le contenu

L'apprentissage automatique supervisé induit un classifieur à distinguer les éléments utilisateur intéressants et inintéressants.

L'objectif d'un système de recommandation est de prévoir les scores des éléments non notés des utilisateurs. L'idée fondamentale derrière le filtrage de contenu est que tout a quelques points forts x.

Par exemple, le film "Love at last" est un film d'amour et a un score élevé pour le temps fort x1, mais un score faible pour x2.

( Données d'évaluation des films )

La source

Chaque individu a un paramètre θ qui indique à quel point il aime les films d'amour et à quel point il aime les films d'action.

Si θ = [1, 0.1], l'individu aime les films d'amour mais pas les films d'action.

Nous pouvons localiser le θ optimal avec une régression linéaire pour chaque individu.

(Notation)

r(i,j) : 1 si l'utilisateur j a noté le film i (0 sinon)

y(i,j) : note de l'utilisateur j sur le film i (si défini)

θ(j) : paramètre vectoriel utilisateur

x(i) : film i vecteur caractéristique

note prévue [utilisateur j, film i] : (θ(j))ᵀx(i)

m(j): # nombre de films que l'utilisateur j évalue

nᵤ : nombre d'utilisateurs

n : nombre de fonctionnalités d'un film

Lire : Idées et sujets de projets d'apprentissage automatique

Filtrage collaboratif

L'inconvénient du filtrage de contenu est qu'il a besoin de données secondaires pour tout.

Par exemple, la classification comme la romance et l'action sont les données secondaires des films. Il est coûteux de trouver quelqu'un qui regarde des films et ajoute des données secondaires pour chaque film.

Hypothèses de base

• Les utilisateurs ayant des intérêts similaires ont une préférence commune.
• Un nombre suffisamment grand de préférences utilisateur est disponible.

Approches principales

• Basé sur l'utilisateur
• Basé sur l'article

Comment peut-on éventuellement lister toutes les caractéristiques des films ? Et si on veut ajouter une nouvelle fonctionnalité ? Devrions-nous ajouter la nouvelle fonctionnalité à tous les films ?

Le filtrage collaboratif résout ce problème.

( Prédit la fonctionnalité du film ) Source

Problèmes et maintenance avec le système de recommandation dans l'apprentissage automatique

Problèmes

• La structure d'entrée utilisateur non concluante
• Recherche d'utilisateurs pour participer à des études de critique
• Calculs faibles
• Mauvais résultats
• Mauvaise information
• Le manque d'information
• Contrôle de la confidentialité (ne peut pas s'associer sans équivoque aux reçus)

Maintenance

• Cher
• Les informations deviennent obsolètes
• Qualité de l'information (énorme, développement de l'espace circulaire)

Les systèmes de recommandation dans l'apprentissage automatique ont leurs racines dans divers domaines de recherche, tels que la recherche d'informations, la classification de texte et l'application de différentes méthodes à partir de sections variées telles que l'apprentissage automatique, l'exploration de données et les systèmes basés sur la connaissance.

L'avenir du système de recommandation

• Extraire les appréciations négatives comprises à travers l'examen des choses rapportées.
• Comment intégrer le territoire avec des propositions.
• Les systèmes de recommandation seront utilisés plus tard pour anticiper l'intérêt pour les articles, permettant une correspondance préalable avec le réseau de magasins.

Améliorez votre carrière dans l'apprentissage automatique avec upGrad

Si vous souhaitez en savoir plus sur l'apprentissage automatique, consultez le programme Executive PG d'IIIT-B & upGrad en apprentissage automatique et IA , conçu pour les professionnels en activité et offrant plus de 450 heures de formation rigoureuse, plus de 30 études de cas et missions, IIIT -B Statut d'anciens élèves, 5+ projets de synthèse pratiques et aide à l'emploi avec les meilleures entreprises.