Guida semplice per la creazione di sistemi di raccomandazione Machine Learning [2022]

La maggior parte delle attività Internet di oggi tendono a offrire un'esperienza utente personalizzata. Un sistema di suggerimenti nell'apprendimento automatico è un particolare tipo di applicazione basata sul Web personalizzata che fornisce agli utenti consigli personalizzati sui contenuti a cui potrebbero essere interessati. Il sistema di raccomandazione è anche noto come sistema di raccomandazione.

Che cos'è un sistema di raccomandazione?

Un sistema di raccomandazione nell'apprendimento automatico può prevedere i requisiti di una serie di cose per un utente e consigliare le cose principali che potrebbero essere necessarie.

I sistemi di raccomandazione sono una delle applicazioni più diffuse delle tecnologie di machine learning applicate alle aziende.

Possiamo trovare sistemi di raccomandazione su larga scala nella vendita al dettaglio, video on demand o streaming di musica.

I sistemi di raccomandazione tentano di robotizzare parti di un modello unico di rivelazione dei dati, in cui gli individui tentano di scoprire altri con gusti comparabili e in seguito richiedono di raccomandare nuovi articoli.

Partecipa al corso di Machine Learning online dalle migliori università del mondo: master, programmi post-laurea per dirigenti e programma di certificazione avanzato in ML e AI per accelerare la tua carriera.

Tipi di un sistema di raccomandazione

1. Raccomandazione personalizzata basata sul tuo interesse.
2. Non personalizzato: ciò che gli altri clienti stanno guardando in questo momento.

Qual è la necessità di un sistema di raccomandazione?

Uno dei motivi principali per cui abbiamo bisogno di un sistema di raccomandazioni nell'apprendimento automatico è che, a causa di Internet, le persone hanno troppe opzioni tra cui scegliere di acquistare.

In passato, le persone facevano acquisti nei negozi fisici, dove la disponibilità degli articoli era limitata.

Ad esempio, il numero di film collocati in un negozio di noleggio video dipendeva dalle dimensioni del negozio. Il web consente alle persone di accedere a molte risorse online. Netflix ha una grande collezione di film. Con l'aumento della quantità di informazioni disponibili, è sorto un nuovo problema e le persone hanno trovato difficile scegliere tra un'ampia varietà di opzioni. Quindi, sono entrati in uso i sistemi di raccomandazione.

Dove vengono utilizzati i sistemi di raccomandazione?

• I grandi siti di e-commerce utilizzano questo strumento per suggerire articoli che un consumatore potrebbe desiderare di acquistare.
• Personalizzazione web.

Come funziona il sistema di raccomandazioni?

• Possiamo suggerire cose a un cliente che sono generalmente popolari tra gli altri clienti.
• Possiamo dividere i clienti in diversi gruppi in base alle loro scelte di prodotto e suggerire le cose che possono acquistare.

Entrambe le tecniche di cui sopra hanno i loro svantaggi. Nel primo caso, le cose più popolari e tradizionali sarebbero le stesse per ogni cliente. Quindi, probabilmente tutti riceveranno suggerimenti simili. Mentre nella seconda, all'aumentare del numero di clienti, aumenterà anche il numero di cose evidenziate come suggerimenti. Pertanto, sarà difficile raggruppare tutti i client in sezioni diverse.

Ora vedremo come funziona il sistema di raccomandazione.

Raccolta dati

Questo è il primo e più importante passaggio nella creazione di un sistema di raccomandazioni. Le informazioni vengono spesso raccolte con due metodi: esplicito e implicito.

Le informazioni esplicite saranno dati forniti deliberatamente, ovvero il contributo fornito dai clienti come le recensioni di film. Le informazioni implicite sono i dati che non vengono forniti di proposito, ma raccolti da flussi di informazioni accessibili, ad esempio clic, cronologia delle ricerche, cronologia delle richieste e così via.

Archivio dati

Il volume delle informazioni indica l'onestà dei suggerimenti del modello. Il tipo di informazione ha un ruolo importante nella raccolta di dati da una vasta popolazione. La capacità può comprendere una base di informazioni SQL e NoSQL standard o una forma di stoccaggio di articoli.

Filtrazione dei dati

Dopo la raccolta e l'archiviazione, questi dati devono essere filtrati per estrarre le informazioni per formulare le raccomandazioni finali. Vari algoritmi semplificano il processo di filtraggio.

Algoritmi per il sistema di raccomandazione

I sistemi software forniscono suggerimenti agli utenti utilizzando iterazioni storiche e attributi di elementi/utenti.

Esistono due metodi per costruire un sistema di raccomandazione.

1. Raccomandazione basata sul contenuto

• Utilizza gli attributi di elementi/utenti
• Consiglia articoli simili a quelli apprezzati dall'utente in passato

2. Filtraggio collaborativo

• Consiglia articoli apprezzati da utenti simili
• Consenti l'esplorazione di contenuti diversi

Raccomandazione basata sul contenuto

L'apprendimento automatico supervisionato induce un classificatore a distinguere tra elementi utente interessanti e non interessanti.

L'obiettivo di un sistema di raccomandazione è prevedere i punteggi per le cose non classificate degli utenti. Il pensiero fondamentale dietro il filtraggio dei contenuti è che tutto ha alcuni punti salienti x.

Ad esempio, il film "Love at last" è un film romantico e ha un punteggio alto per l'evidenziazione x1, ma un punteggio basso per x2.

( Dati sulle valutazioni dei film )

Fonte

Ogni individuo ha un parametro θ che dice quanto amano i film romantici e quanto amano i film d'azione.

Se θ = [1, 0,1], l'individuo ama i film romantici ma non i film d'azione.

Possiamo individuare il θ ottimo con regressione lineare per ogni individuo.

(Notazione)

r(i,j): 1 se l'utente j ha valutato il film i (0 altrimenti)

y(i,j): valutazione utente j sul film i (se definito)

θ(j): parametro vettore utente

x(i): film che presenta un vettore

valutazione prevista [utente j, film i]: (θ(j))ᵀx(i)

m(j): # numero di film che l'utente j tariffe

nᵤ: # di utenti

n: # di caratteristiche di un film

Leggi: Idee e argomenti per progetti di apprendimento automatico

Filtraggio collaborativo

Lo svantaggio del filtraggio dei contenuti è che ha bisogno di dati secondari per tutto.

Ad esempio, classificazioni come il romanticismo e l'azione sono dati collaterali dei film. È costoso individuare qualcuno che guardi film e aggiunga dati secondari per ogni film là fuori.

Assunzioni base

• Gli utenti con interessi simili hanno una preferenza comune.
• È disponibile un numero sufficiente di preferenze dell'utente.

Principali approcci

• Basato sull'utente
• Basato su articoli

Come si possono elencare tutte le caratteristiche dei film? E se si desidera aggiungere una nuova funzionalità? Dovremmo aggiungere la nuova funzionalità a tutti i film?

Il filtraggio collaborativo risolve questo problema.

( Prevede la caratteristica del film ) Fonte

Problemi e manutenzione con il sistema di raccomandazioni in Machine Learning

I problemi

• La struttura di input dell'utente inconcludente
• Alla ricerca di utenti per partecipare a studi di critica
• Calcoli deboli
• Risultati scarsi
• Informazioni scarse
• Mancanza di informazioni
• Controllo della privacy (non può fare squadra inequivocabilmente con le ricevute)

Manutenzione

• Costoso
• Le informazioni diventano obsolete
• Qualità dell'informazione (enorme, sviluppo dello spazio circolare)

I sistemi di raccomandazione nell'apprendimento automatico hanno le loro radici in varie aree di ricerca, come il recupero delle informazioni, la classificazione del testo e l'applicazione di metodi diversi da varie sezioni come l'apprendimento automatico, il data mining e i sistemi basati sulla conoscenza.

Il futuro del sistema di raccomandazione

• Estrarre giudizi negativi compresi attraverso l'esame delle cose riportate.
• Come integrare il territorio con proposte.
• I sistemi di raccomandazione verranno utilizzati in seguito per anticipare l'interesse per gli articoli, consentendo la corrispondenza preventiva alla rete di negozi.

Migliora la tua carriera nell'apprendimento automatico con upGrad

Se sei interessato a saperne di più sull'apprendimento automatico, dai un'occhiata al programma Executive PG di IIIT-B e upGrad in Machine Learning e AI , progettato per i professionisti che lavorano e offre oltre 450 ore di formazione rigorosa, oltre 30 casi di studio e incarichi, IIIT -B Status di Alumni, oltre 5 progetti pratici pratici e assistenza sul lavoro con le migliori aziende.