Ghid simplu pentru construirea sistemului de recomandare Machine Learning [2022]

Majoritatea afacerilor pe internet de astăzi tind să ofere o experiență personalizată pentru utilizator. Un sistem de recomandare în învățarea automată este un anumit tip de aplicație web personalizată care oferă utilizatorilor recomandări personalizate despre conținutul de care ar putea fi interesați. Sistemul de recomandare este cunoscut și sub denumirea de sistem de recomandare.

Ce este un sistem de recomandare?

Un sistem de recomandare în învățarea automată poate prezice cerințele unui grup de lucruri pentru un utilizator și poate recomanda cele mai importante lucruri care ar putea fi necesare.

Sistemele de recomandare sunt una dintre cele mai răspândite aplicații ale tehnologiilor de învățare automată aplicate pentru afaceri.

Putem găsi sisteme de recomandare la scară largă în retail, video la cerere sau streaming de muzică.

Sistemele de recomandare încearcă să robotizeze părți ale unui model unic de revelare a datelor, în care indivizii încearcă să descopere pe alții cu gusturi comparabile și mai târziu solicită să recomande articole noi.

Alăturați-vă Cursului de învățare automată online de la cele mai bune universități din lume – Master, Programe Executive Postuniversitare și Program de Certificat Avansat în ML și AI pentru a vă accelera cariera.

Tipuri de sistem de recomandare

1. Personalizat- recomandare bazată pe interesul dumneavoastră.
2. Nepersonalizat - la ce se uită alți clienți în acest moment.

Care este nevoia unui sistem de recomandare?

Unul dintre motivele cheie pentru care avem nevoie de un sistem de recomandare în machine learning este că, datorită internetului, oamenii au prea multe opțiuni din care pot alege să cumpere.

În trecut, oamenii făceau cumpărături la magazinele fizice, unde disponibilitatea articolelor era limitată.

De exemplu, numărul de filme plasate la un magazin de închiriere video depindea de dimensiunea magazinului. Web-ul permite oamenilor să acceseze o mulțime de resurse online. Netflix are o colecție grozavă de filme. Pe măsură ce cantitatea de informații disponibile a crescut, a apărut o nouă problemă și oamenilor le-a fost greu să aleagă dintr-o mare varietate de opțiuni. Prin urmare, au intrat în uz sistemele de recomandare.

Unde sunt utilizate sistemele de recomandare?

• Site-urile mari de comerț electronic folosesc acest instrument pentru a sugera articole pe care un consumator ar dori să le cumpere.
• Personalizare web.

Cum funcționează sistemul de recomandare?

• Putem sugera unui client lucruri care sunt în general populare printre alți clienți.
• Putem împărți clienții în mai multe grupuri în funcție de alegerile lor de produse și le putem sugera lucrurile pe care le pot cumpăra.

Ambele tehnici de mai sus au dezavantajele lor. În primul caz, cele mai populare lucruri principale ar fi aceleași pentru fiecare client. Prin urmare, toată lumea va primi probabil sugestii similare. În timp ce în al doilea, pe măsură ce numărul clienților crește, va crește și numărul de lucruri evidențiate ca sugestii. Astfel, va fi dificil să grupați toți clienții în secțiuni diferite.

Acum, vom vedea cum funcționează sistemul de recomandare.

Colectare de date

Acesta este primul, cel mai important pas în crearea unui sistem de recomandare. Informațiile sunt adesea colectate prin două metode: explicită și implicită.

Informațiile explicite vor fi date date în mod deliberat, adică contribuția adusă de clienți precum recenziile de filme. Informațiile implicite sunt datele care nu sunt furnizate intenționat, dar colectate din fluxuri de informații accesibile, de exemplu, clicuri, istoricul căutărilor, istoricul solicitărilor și așa mai departe.

Depozitul de date

Volumul de informații indică onestitatea sugestiilor modelului. Tipul de informații are un rol important în alegerea datelor dintr-o populație mare. Capacitatea poate cuprinde o bază de informații SQL și NoSQL standard sau o formă de stocare a articolelor.

Filtrarea datelor

După colectare și stocare, aceste date trebuie filtrate pentru a extrage informațiile pentru a face recomandările finale. Diferiți algoritmi facilitează procesul de filtrare.

Algoritmi pentru sistemul de recomandare

Sistemele software oferă sugestii utilizatorilor utilizând iterații istorice și atribute ale articolelor/utilizatorilor.

Există două metode de a construi un sistem de recomandare.

1. Recomandare bazată pe conținut

• Utilizează atributele articolelor/utilizatorilor
• Recomandați articole similare cu cele care i-au plăcut utilizatorului în trecut

2. Filtrare colaborativă

• Recomandați articole apreciate de utilizatori similari
• Permite explorarea conținutului divers

Recomandare bazată pe conținut

Învățarea automată supravegheată determină un clasificator să facă distincția între articolele de utilizator interesante și neinteresante.

Obiectivul unui sistem de recomandare este de a prognoza scorurile pentru lucrurile neevaluate ale utilizatorilor. Gândul fundamental din spatele filtrării conținutului este că totul are câteva puncte importante x.

De exemplu, filmul „Dragoste în sfârșit” este un film de dragoste și are un scor mare pentru evidențierea x1, totuși un scor mic pentru x2.

( Date despre evaluarea filmelor )

Sursă

Fiecare individ are un parametru θ care spune cât de mult iubesc filmele de dragoste și cât de mult iubesc filmele de acțiune.

Dacă θ = [1, 0,1], individul iubește filmele de dragoste, dar nu filmele de acțiune.

Putem localiza θ optim cu regresie liniară pentru fiecare individ.

(Notaţie)

r(i,j): 1 dacă utilizatorul j a evaluat filmul i (0 în caz contrar)

y(i,j): evaluarea utilizatorului j pe filmul i (dacă este definit)

θ(j): parametru vector utilizator

x(i): film i vector caracteristică

evaluare estimată [utilizator j, film i]: (θ(j))ᵀx(i)

m(j): # numărul de filme evaluate de utilizator j

nᵤ: # de utilizatori

n: # de caracteristici ale unui film

Citiți: Idei și subiecte pentru proiecte de învățare automată

Filtrare colaborativa

Dezavantajul filtrării conținutului este că are nevoie de date secundare pentru orice.

De exemplu, clasificarea precum romantismul și acțiunea sunt datele secundare ale filmelor. Este costisitor să găsești pe cineva care urmărește filme și adaugă date secundare pentru fiecare film de acolo.

Presupuneri de baza

• Utilizatorii cu interese similare au o preferință comună.
• Sunt disponibile un număr suficient de mare de preferințe ale utilizatorului.

Principalele abordări

• Bazat pe utilizator
• Bazat pe articole

Cum se poate enumera toate caracteristicile filmelor? Ce se întâmplă dacă cineva dorește să adauge o funcție nouă? Ar trebui să adăugăm noua funcție la toate filmele?

Filtrarea în colaborare rezolvă această problemă.

( Prevestește caracteristica filmului ) Sursă

Probleme și întreținere cu sistemul de recomandare în Machine Learning

Probleme

• Structura de introducere a utilizatorului neconcludentă
• Se caută utilizatori pentru a participa la studii de critică
• Calcule slabe
• Rezultate slabe
• Informații slabe
• Lipsa de informatie
• Controlul confidențialității (nu poate face echipă fără echivoc cu chitanțele)

întreținere

• Costitor
• Informația devine învechită
• Calitatea informațiilor (enormă, dezvoltarea spațiului cerc)

Sistemele de recomandare din învățarea automată își au rădăcinile în diverse domenii de cercetare, cum ar fi regăsirea informațiilor, clasificarea textelor și aplicarea diferitelor metode din secțiuni variate, cum ar fi învățarea automată, extragerea datelor și sistemele bazate pe cunoștințe.

Viitorul sistemului de recomandare

• Extrage aprecieri negative intelese prin examinarea lucrurilor aduse inapoi.
• Cum să încorporezi zona locală cu propuneri.
• Sistemele de recomandare vor fi utilizate mai târziu pentru a anticipa interesul pentru articole, asigurând corespondența prealabilă înapoi către rețeaua de magazine.

Îmbunătățiți-vă cariera în învățarea automată cu upGrad

Dacă sunteți interesat să aflați mai multe despre învățarea automată, consultați Programul Executive PG de la IIIT-B și upGrad în Învățare automată și IA, care este conceput pentru profesioniști care lucrează și oferă peste 450 de ore de formare riguroasă, peste 30 de studii de caz și sarcini, IIIT -B Statut de absolvenți, peste 5 proiecte practice practice și asistență pentru locuri de muncă cu firme de top.