Prosty przewodnik po kompilacji systemu rekomendacji Uczenie maszynowe [2022]

Większość dzisiejszych firm internetowych oferuje spersonalizowane wrażenia użytkownika. System rekomendacji w uczeniu maszynowym to szczególny rodzaj spersonalizowanej aplikacji internetowej, która dostarcza użytkownikom spersonalizowane rekomendacje dotyczące treści, którymi mogą być zainteresowani. System rekomendacji jest również znany jako system rekomendacji.

Czym jest system rekomendacji?

System rekomendacji w uczeniu maszynowym może przewidzieć wymagania wielu rzeczy dla użytkownika i polecić najważniejsze rzeczy, które mogą być potrzebne.

Systemy rekomendacji to jedno z najbardziej rozpowszechnionych zastosowań technologii uczenia maszynowego w biznesie.

Możemy znaleźć systemy rekomendacji na dużą skalę w handlu detalicznym, wideo na żądanie lub strumieniowaniu muzyki.

Systemy rekomendacji próbują zrobotyzować części unikalnego modelu ujawniania danych, w którym osoby próbują odkryć inne osoby o podobnych gustach, a później proszą o polecanie nowych elementów.

Dołącz do kursu uczenia maszynowego online z najlepszych uniwersytetów na świecie — studiów magisterskich, programów podyplomowych dla kadry kierowniczej i zaawansowanego programu certyfikacji w zakresie uczenia maszynowego i sztucznej inteligencji, aby przyspieszyć swoją karierę.

Rodzaje systemu rekomendacji

1. Spersonalizowane – rekomendacja na podstawie Twoich zainteresowań.
2. Niespersonalizowane — na co teraz patrzą inni klienci.

Jaka jest potrzeba systemu rekomendacji?

Jednym z głównych powodów, dla których potrzebujemy systemu rekomendacji w uczeniu maszynowym, jest to, że ze względu na Internet ludzie mają zbyt wiele opcji, z których mogą wybierać.

W przeszłości ludzie robili zakupy w sklepach stacjonarnych, gdzie dostępność produktów była ograniczona.

Na przykład liczba filmów umieszczonych w wypożyczalni wideo zależała od wielkości sklepu. Sieć umożliwia ludziom dostęp do wielu zasobów online. Netflix ma świetną kolekcję filmów. Wraz ze wzrostem ilości dostępnych informacji pojawił się nowy problem i ludzie mieli trudności z wyborem spośród szerokiej gamy opcji. Stąd też weszły w życie systemy rekomendacji.

Gdzie są używane systemy rekomendacji?

• Duże witryny handlu elektronicznego używają tego narzędzia do sugerowania produktów, które konsument może chcieć kupić.
• Personalizacja sieci.

Jak działa system rekomendacji?

• Możemy zaproponować klientowi rzeczy, które są ogólnie popularne wśród innych klientów.
• Możemy podzielić klientów na kilka grup według ich wyboru produktów i zaproponować rzeczy, które mogą kupić.

Obie powyższe techniki mają swoje wady. W pierwszym przypadku najpopularniejsze, mainstreamowe rzeczy byłyby takie same dla każdego klienta. Stąd zapewne wszyscy otrzymają podobne sugestie. Podczas gdy w drugim, wraz ze wzrostem liczby klientów, wzrośnie również liczba rzeczy wyróżnionych jako sugestie. W związku z tym trudno będzie pogrupować wszystkich klientów w różne sekcje.

Teraz zobaczymy, jak działa system rekomendacji.

Zbieranie danych

To pierwszy, najważniejszy krok w tworzeniu systemu rekomendacji. Informacje są często gromadzone dwiema metodami: jawną i niejawną.

Jawne informacje to dane podane celowo, tj. wkład klientów, taki jak recenzje filmów. Informacje niejawne to dane, które nie są podawane celowo, ale zebrane z dostępnych strumieni informacji, na przykład kliknięć, historii wyszukiwania, historii żądań i tak dalej.

Repozytorium danych

Ilość informacji świadczy o uczciwości sugestii modelu. Typ informacji odgrywa ważną rolę w zbieraniu danych z dużej populacji. Pojemność może obejmować standardową bazę informacji SQL i NoSQL lub formę składowania artykułów.

Filtrowanie danych

Po zebraniu i przechowywaniu dane te należy przefiltrować, aby wyodrębnić informacje potrzebne do sformułowania ostatecznych zaleceń. Różne algorytmy ułatwiają proces filtrowania.

Algorytmy dla Systemu Rekomendacji

Systemy oprogramowania dają sugestie użytkownikom, wykorzystując historyczne iteracje i atrybuty przedmiotów/użytkowników.

Istnieją dwie metody budowy systemu rekomendacji.

1. Rekomendacja oparta na treści

• Wykorzystuje atrybuty przedmiotów/użytkowników
• Polecaj przedmioty podobne do tych, które lubił użytkownik w przeszłości

2. Filtrowanie zespołowe

• Polecaj przedmioty lubiane przez podobnych użytkowników
• Włącz eksplorację różnorodnych treści

Rekomendacja oparta na treści

Nadzorowane uczenie maszynowe powoduje, że klasyfikator rozróżnia interesujące i nieciekawe elementy użytkownika.

Celem systemu rekomendacji jest prognozowanie wyników dla nieocenionych rzeczy użytkowników. Podstawową myślą stojącą za filtrowaniem treści jest to, że wszystko ma kilka wyróżnień x.

Na przykład film „Nareszcie miłość” jest filmem romantycznym i ma wysoki wynik x1, ale niski wynik x2.

( Dane ocen filmów )

Źródło

Każda osoba ma parametr θ, który mówi, jak bardzo kocha filmy romantyczne, a jak bardzo filmy akcji.

Jeśli θ = [1, 0,1], jednostka kocha filmy romantyczne, ale nie filmy akcji.

Możemy znaleźć optymalne θ za pomocą regresji liniowej dla każdej osoby.

(Notacja)

r(i,j): 1, jeśli użytkownik j ocenił film i (0 w przeciwnym razie)

y(i,j): ocena użytkownika j w filmie i (jeśli zdefiniowano)

θ(j): parametr wektora użytkownika

x(i): film i wektor cech

przewidywana ocena [użytkownik j, film i]: (θ(j))ᵀx(i)

m(j): liczba filmów j ocen użytkownika

nᵤ: # użytkowników

n: liczba cech filmu

Przeczytaj: Pomysły i tematy projektów uczenia maszynowego

Filtrowanie zespołowe

Wadą filtrowania treści jest to, że do wszystkiego potrzebuje danych pobocznych.

Na przykład klasyfikacja, taka jak romans i akcja, to dane poboczne filmów. Znalezienie kogoś, kto ogląda filmy i dodaje dodatkowe dane dla każdego filmu, jest kosztowne.

Podstawowe założenia

• Użytkownicy o podobnych zainteresowaniach mają wspólne preferencje.
• Dostępna jest wystarczająco duża liczba preferencji użytkownika.

Główne podejścia

• Oparte na użytkownikach
• Oparte na przedmiotach

Jak wyliczyć wszystkie cechy filmów? Co jeśli ktoś chce dodać nową funkcję? Czy powinniśmy dodać nową funkcję do wszystkich filmów?

Filtrowanie grupowe rozwiązuje ten problem.

( Przewiduje funkcję filmu ) Źródło

Problemy i konserwacja z systemem rekomendacji w uczeniu maszynowym

Problemy

• Niejednoznaczna struktura danych wejściowych użytkownika
• Poszukiwanie użytkowników do udziału w badaniach krytyki
• Słabe obliczenia
• Słabe wyniki
• Słabe informacje
• Brak informacji
• Kontrola prywatności (nie może jednoznacznie łączyć się z rachunkami)

Konserwacja

• Kosztowny
• Informacje stają się przestarzałe
• Jakość informacji (ogromna, zagospodarowanie przestrzeni koła)

Systemy rekomendacji w uczeniu maszynowym mają swoje korzenie w różnych obszarach badawczych, takich jak wyszukiwanie informacji, klasyfikacja tekstów i stosowanie różnych metod z różnych sekcji, takich jak uczenie maszynowe, eksploracja danych i systemy oparte na wiedzy.

Przyszłość systemu rekomendacji

• Wyodrębnij rozumiane negatywne oceny poprzez zbadanie rzeczy przyniesionych z powrotem.
• Jak włączyć lokalny obszar z propozycjami.
• Systemy rekomendacji zostaną wykorzystane później do przewidywania zainteresowania przedmiotami, umożliwiając wcześniejszą korespondencję z powrotem do sieci sklepów.

Rozwiń swoją karierę w uczeniu maszynowym dzięki upGrad

Jeśli chcesz dowiedzieć się więcej o uczeniu maszynowym, zapoznaj się z programem IIIT-B i upGrad Executive PG w zakresie uczenia maszynowego i sztucznej inteligencji , który jest przeznaczony dla pracujących profesjonalistów i oferuje ponad 450 godzin rygorystycznych szkoleń, ponad 30 studiów przypadków i zadań, IIIT Status -B Alumni, ponad 5 praktycznych praktycznych projektów zwieńczenia i pomoc w pracy z najlepszymi firmami.