Guia simples para criar aprendizado de máquina do sistema de recomendação [2022]

A maioria das empresas de internet de hoje tendem a oferecer uma experiência de usuário personalizada. Um sistema de recomendação em aprendizado de máquina é um tipo específico de aplicativo personalizado baseado na Web que fornece aos usuários recomendações personalizadas sobre o conteúdo no qual eles podem estar interessados. O sistema de recomendação também é conhecido como sistema de recomendação.

O que é um sistema de recomendação?

Um sistema de recomendação em aprendizado de máquina pode prever os requisitos de um monte de coisas para um usuário e recomendar as principais coisas que podem ser necessárias.

Os sistemas de recomendação são uma das aplicações mais difundidas das tecnologias de aprendizado de máquina aplicadas às empresas.

Podemos encontrar sistemas de recomendação em larga escala no varejo, vídeo sob demanda ou streaming de música.

Os sistemas de recomendação tentam robotizar partes de um modelo único de revelação de dados, onde os indivíduos tentam descobrir outros com gostos comparáveis ​​e, posteriormente, solicitam que recomendem novos itens.

Participe do Curso de Aprendizado de Máquina on-line das principais universidades do mundo - Mestrados, Programas de Pós-Graduação Executiva e Programa de Certificado Avançado em ML e IA para acelerar sua carreira.

Tipos de um sistema de recomendação

1. Recomendação personalizada com base em seu interesse.
2. Não personalizado - o que outros clientes estão vendo agora.

Qual é a necessidade de um sistema de recomendação?

Uma das principais razões pelas quais precisamos de um sistema de recomendação em aprendizado de máquina é que, devido à internet, as pessoas têm muitas opções para comprar.

No passado, as pessoas costumavam fazer compras em lojas físicas, onde a disponibilidade de itens era limitada.

Por exemplo, o número de filmes colocados em uma locadora de vídeo dependia do tamanho da loja. A web permite que as pessoas acessem muitos recursos online. A Netflix tem uma grande coleção de filmes. À medida que a quantidade de informações disponíveis aumentava, um novo problema surgia e as pessoas achavam difícil escolher entre uma ampla variedade de opções. Assim, os sistemas de recomendação entraram em uso.

Onde são usados ​​os sistemas de recomendação?

• Grandes sites de comércio eletrônico usam essa ferramenta para sugerir itens que um consumidor pode querer comprar.
• Personalização da web.

Como funciona o sistema de recomendação?

• Podemos sugerir coisas a um cliente que geralmente são populares entre outros clientes.
• Podemos dividir os clientes em vários grupos de acordo com suas escolhas de produtos e sugerir as coisas que eles podem comprar.

Ambas as técnicas acima têm suas desvantagens. No primeiro caso, as coisas mais populares e convencionais seriam as mesmas para todos os clientes. Assim, todos provavelmente receberão sugestões semelhantes. Enquanto na segunda, à medida que o número de clientes aumenta, o número de coisas destacadas como sugestões também aumenta. Assim, será difícil agrupar todos os clientes em diferentes seções.

Agora, veremos como funciona o sistema de recomendação.

Coleção de dados

Este é o primeiro e mais importante passo na criação de um sistema de recomendação. A informação é frequentemente recolhida por dois métodos: explícito e implícito.

Informações explícitas serão dados fornecidos deliberadamente, ou seja, a contribuição feita por clientes como resenhas de filmes. Informações implícitas são os dados que não são fornecidos intencionalmente, mas coletados de fluxos de informações acessíveis, por exemplo, cliques, histórico de pesquisa, histórico de solicitações e assim por diante.

Repositório de dados

O volume de informações indica a honestidade das sugestões do modelo. O tipo de informação tem um papel importante na coleta de dados de uma grande população. A capacidade pode incluir uma base de informações SQL e NoSQL padrão ou uma forma de armazenamento de artigos.

Filtragem de dados

Após a coleta e armazenamento, esses dados precisam ser filtrados para extrair as informações para fazer as recomendações finais. Vários algoritmos facilitam o processo de filtragem.

Algoritmos para Sistema de Recomendação

Os sistemas de software dão sugestões aos usuários utilizando iterações históricas e atributos de itens/usuários.

Existem dois métodos para construir um sistema de recomendação.

1. Recomendação baseada em conteúdo

• Usa atributos de itens/usuários
• Recomendar itens semelhantes aos que o usuário gostou no passado

2. Filtragem colaborativa

• Recomendar itens apreciados por usuários semelhantes
• Permita a exploração de conteúdo diversificado

Recomendação baseada em conteúdo

O aprendizado de máquina supervisionado induz um classificador a distinguir entre itens de usuário interessantes e desinteressantes.

O objetivo de um sistema de recomendação é prever as pontuações para coisas não classificadas dos usuários. O pensamento fundamental por trás da filtragem de conteúdo é que tudo tem alguns destaques x.

Por exemplo, o filme “Love at last” é um filme de romance e tem uma pontuação alta para destaque x1, porém uma pontuação baixa para x2.

( Dados de classificações de filmes )

Fonte

Cada indivíduo tem um parâmetro θ que diz o quanto eles amam filmes de romance e o quanto amam filmes de ação.

Se θ = [1, 0,1], o indivíduo adora filmes de romance, mas não filmes de ação.

Podemos localizar o θ ótimo com regressão linear para cada indivíduo.

(Notação)

r(i,j): 1 se o usuário j avaliou o filme i (0 caso contrário)

y(i,j): classificação do usuário j no filme i (se definido)

θ(j): parâmetro de vetor do usuário

x(i): filme i vetor de recursos

classificação prevista [usuário j, filme i]: (θ(j))ᵀx(i)

m(j): # número de taxas de usuários de filmes j

nᵤ: # de usuários

n: # de recursos de um filme

Leia: Ideias e tópicos de projetos de aprendizado de máquina

Filtragem colaborativa

A desvantagem da filtragem de conteúdo é que ela precisa de dados secundários para tudo.

Por exemplo, classificações como romance e ação são os dados secundários dos filmes. É caro localizar alguém que assista a filmes e adicione dados secundários para cada filme disponível.

Suposições básicas

• Usuários com interesses semelhantes têm uma preferência comum.
• Um número suficientemente grande de preferências do usuário está disponível.

Principais abordagens

• Baseado no usuário
• Baseado em itens

Como é possível listar todas as características dos filmes? E se alguém quiser adicionar um novo recurso? Devemos adicionar o novo recurso a todos os filmes?

A filtragem colaborativa resolve esse problema.

( Prevê a característica do filme ) Fonte

Problemas e Manutenção com Sistema de Recomendação em Machine Learning

Problemas

• A estrutura de entrada do usuário inconclusiva
• Procurando usuários para participar de estudos de crítica
• Cálculos fracos
• Resultados ruins
• Informações ruins
• Falta de informação
• Controle de privacidade (pode não combinar inequivocamente com recibos)

Manutenção

• Dispendioso
• A informação fica obsoleta
• Qualidade da informação (enorme, desenvolvimento do espaço circular)

Os sistemas de recomendação em aprendizado de máquina têm suas raízes em várias áreas de pesquisa, como recuperação de informações, classificação de texto e aplicação de diferentes métodos de seções variadas, como aprendizado de máquina, mineração de dados e sistemas baseados em conhecimento.

O futuro do sistema de recomendação

• Extract entendia as avaliações negativas através do exame das coisas trazidas de volta.
• Como incorporar a área local com propostas.
• Os sistemas de recomendação serão utilizados posteriormente para antecipar o interesse pelos itens, capacitando a correspondência prévia de volta à rede de lojas.

Atualize sua carreira em aprendizado de máquina com upGrad

Se você estiver interessado em aprender mais sobre aprendizado de máquina, confira o Programa PG Executivo do IIIT-B e do upGrad em Machine Learning e IA , projetado para profissionais que trabalham e oferece mais de 450 horas de treinamento rigoroso, mais de 30 estudos de caso e atribuições, IIIT -B Alumni status, mais de 5 projetos práticos práticos e assistência de trabalho com as principais empresas.