Простое руководство по построению машинного обучения системы рекомендаций [2022]

Большинство современных интернет-компаний, как правило, предлагают персонализированный пользовательский опыт. Система рекомендаций в машинном обучении — это особый тип персонализированного веб-приложения, которое предоставляет пользователям персонализированные рекомендации по контенту, который может их заинтересовать. Система рекомендаций также известна как рекомендательная система.

Что такое рекомендательная система?

Система рекомендаций в машинном обучении может предсказать требования к множеству вещей для пользователя и порекомендовать самые важные вещи, которые могут понадобиться.

Системы рекомендаций — одно из самых распространенных применений технологий машинного обучения в бизнесе.

Мы можем найти крупномасштабные системы рекомендаций в розничной торговле, видео по запросу или потоковой передаче музыки.

Системы рекомендаций пытаются роботизировать части уникальной модели раскрытия данных, когда люди пытаются найти других со схожими вкусами, а затем запрашивают рекомендации новых товаров.

Присоединяйтесь к онлайн- курсу по машинному обучению в ведущих университетах мира — магистерским программам, программам последипломного образования для руководителей и программам повышения квалификации в области машинного обучения и искусственного интеллекта, чтобы ускорить свою карьеру.

Типы рекомендательной системы

1. Индивидуальные рекомендации, основанные на вашем интересе.
2. Неперсонализированные — на что сейчас смотрят другие клиенты.

Для чего нужна система рекомендаций?

Одна из ключевых причин, по которой нам нужна система рекомендаций в машинном обучении , заключается в том, что из-за Интернета у людей слишком много вариантов, из которых они могут выбирать для покупки.

В прошлом люди делали покупки в обычных магазинах, где наличие товаров было ограничено.

Например, количество фильмов, размещенных в магазине видеопроката, зависело от размера магазина. Интернет позволяет людям получить доступ к большому количеству онлайн-ресурсов. Нетфликс имеет большую коллекцию фильмов. По мере увеличения количества доступной информации возникла новая проблема, и людям стало трудно выбирать из большого разнообразия вариантов. Таким образом, рекомендательные системы вошли в обиход.

Где используются рекомендательные системы?

• Крупные сайты электронной коммерции используют этот инструмент, чтобы предлагать товары, которые потребитель может захотеть приобрести.
• Веб-персонализация.

Как работает система рекомендаций?

• Мы можем предложить клиенту то, что в целом популярно среди других клиентов.
• Мы можем разделить клиентов на несколько групп в зависимости от их выбора продуктов и предложить, что они могут купить.

Оба вышеперечисленных метода имеют свои недостатки. В первом случае самые популярные, мейнстримные вещи будут одинаковыми для каждого клиента. Следовательно, все, вероятно, получат подобные предложения. В то время как во втором, по мере увеличения количества клиентов, количество вещей, выделенных как предложения, также будет увеличиваться. Таким образом, будет сложно сгруппировать всех клиентов по разным разделам.

Теперь посмотрим, как работает система рекомендаций.

Сбор информации

Это первый, самый важный шаг в создании рекомендательной системы. Информация часто собирается двумя способами: явным и неявным.

Явной информацией будут данные, преднамеренно предоставленные, т. е. вклад, сделанный клиентами, например обзоры фильмов. Неявная информация — это данные, которые не передаются целенаправленно, но собираются из доступных информационных потоков, например, клики, история поиска, история запросов и так далее.

Хранилище данных

Объем информации свидетельствует о честности предложений модели. Тип информации играет важную роль при сборе данных из большой совокупности. Емкость может включать в себя стандартную информационную базу SQL и NoSQL или форму складирования статей.

Фильтрация данных

После сбора и хранения эти данные необходимо отфильтровать, чтобы извлечь информацию для вынесения окончательных рекомендаций. Различные алгоритмы упрощают процесс фильтрации.

Алгоритмы для системы рекомендаций

Программные системы дают пользователям предложения, используя исторические итерации и атрибуты элементов/пользователей.

Существует два метода построения рекомендательной системы.

1. Рекомендация на основе контента

• Использует атрибуты элементов/пользователей
• Рекомендовать товары, похожие на те, что понравились пользователю в прошлом

2. Совместная фильтрация

• Рекомендовать товары, которые понравились похожим пользователям
• Возможность исследования разнообразного контента

Рекомендация на основе контента

Контролируемое машинное обучение побуждает классификатор различать интересные и неинтересные элементы пользователя.

Цель рекомендательной системы — прогнозировать оценки неоцененных вещей пользователей. Фундаментальная идея фильтрации контента заключается в том, что у всего есть несколько основных моментов x.

Например, фильм «Наконец-то любовь» является любовным фильмом и имеет высокий балл по показателю «яркость» x1, но низкий балл по показателю x2.

( данные о рейтингах фильмов )

Источник

У каждого человека есть параметр θ, который показывает, насколько он любит романтические фильмы и боевики.

Если θ = [1, 0,1], человек любит романтические фильмы, но не боевики.

Мы можем найти оптимальное θ с помощью линейной регрессии для каждого человека.

(Обозначение)

r(i,j): 1, если пользователь j оценил фильм i (0 в противном случае)

y(i,j): пользовательская оценка j фильма i (если определено)

θ(j): параметр пользовательского вектора

x(i): вектор признаков фильма i

прогнозируемый рейтинг [пользователь j, фильм i]: (θ(j))ᵀx(i)

m(j): # количество фильмов, которые оценил пользователь j

nᵤ: количество пользователей

n: количество особенностей фильма

Читайте: Идеи и темы проекта машинного обучения

Совместная фильтрация

Недостатком фильтрации контента является то, что для всего нужны дополнительные данные.

Например, такие классификации, как романтика и боевик, являются побочными данными фильмов. Найти кого-то, кто смотрит фильмы и добавлять дополнительные данные для каждого фильма, дорого.

Основные предположения

• Пользователи со схожими интересами имеют общие предпочтения.
• Доступно достаточно большое количество пользовательских настроек.

Основные подходы

• Пользовательский
• на основе предметов

Как можно перечислить все особенности фильмов? Что делать, если кто-то хочет добавить новую функцию? Должны ли мы добавить новую функцию во все фильмы?

Совместная фильтрация решает эту проблему.

( Предсказывает особенности фильма ) Источник

Проблемы и обслуживание с системой рекомендаций в машинном обучении

Проблемы

• Неубедительная структура пользовательского ввода
• Ищем пользователей для участия в критических исследованиях
• Слабые расчеты
• Плохие результаты
• Плохая информация
• Недостаток информации
• Контроль конфиденциальности (может не совпадать однозначно с чеками)

Обслуживание

• Дорого
• Информация устаревает
• Качество информации (огромное, круговое развитие)

Системы рекомендаций в машинном обучении берут свое начало в различных областях исследований, таких как поиск информации, классификация текстов и применение различных методов из различных разделов, таких как машинное обучение, интеллектуальный анализ данных и системы, основанные на знаниях.

Будущее рекомендательной системы

• Экстракт понял негативные оценки через осмотр принесенных вещей.
• Как включить местную область с предложениями.
• Системы рекомендаций будут использоваться позже, чтобы предвидеть интерес к товарам, что позволит получить предварительную обратную связь с сетью магазинов.

Повысьте свою карьеру в области машинного обучения с помощью upGrad

Если вам интересно узнать больше о машинном обучении, ознакомьтесь с программой Executive PG IIIT-B и upGrad по машинному обучению и искусственному интеллекту , которая предназначена для работающих профессионалов и предлагает более 450 часов интенсивного обучения, более 30 тематических исследований и заданий, IIIT -B статус выпускника, 5+ практических практических проектов и помощь в трудоустройстве в ведущих фирмах.