คู่มือง่าย ๆ ในการสร้างระบบการเรียนรู้ของเครื่องแนะนำ [2022]

ธุรกิจอินเทอร์เน็ตในปัจจุบันส่วนใหญ่มักจะนำเสนอประสบการณ์ผู้ใช้ที่เป็นส่วนตัว ระบบคำแนะนำในการเรียนรู้ด้วยเครื่อง เป็นแอปพลิเคชันบนเว็บที่ปรับให้เหมาะกับแต่ละบุคคลซึ่งให้คำแนะนำส่วนบุคคลเกี่ยวกับเนื้อหาที่พวกเขาอาจสนใจแก่ผู้ใช้ ระบบการแนะนำเรียกอีกอย่างว่าระบบผู้แนะนำ

ระบบการแนะนำคืออะไร?

ระบบ การ แนะนำในแมชชีนเลิ ร์นนิง สามารถคาดการณ์ความต้องการของผู้ใช้หลายๆ อย่าง และแนะนำสิ่งสำคัญที่อาจจำเป็นได้

ระบบคำแนะนำเป็นหนึ่งในการประยุกต์ใช้เทคโนโลยีแมชชีนเลิร์นนิงที่แพร่หลายที่สุดสำหรับธุรกิจ

เราสามารถค้นหาระบบแนะนำขนาดใหญ่ในร้านค้าปลีก วิดีโอออนดีมานด์ หรือการสตรีมเพลง

ระบบคำแนะนำพยายามสร้างหุ่นยนต์บางส่วนของแบบจำลองการเปิดเผยข้อมูลที่ไม่เหมือนใคร โดยที่บุคคลพยายามค้นหาผู้อื่นที่มีรสนิยมใกล้เคียงกัน และขอให้พวกเขาแนะนำรายการใหม่ในภายหลัง

เข้าร่วม หลักสูตรแมชชีนเลิ ร์นนิง ออนไลน์จากมหาวิทยาลัยชั้นนำของโลก – ปริญญาโท หลักสูตร Executive Post Graduate และหลักสูตรประกาศนียบัตรขั้นสูงใน ML & AI เพื่อติดตามอาชีพของคุณอย่างรวดเร็ว

ประเภทของระบบคำแนะนำ

1. ส่วนบุคคล- คำแนะนำตามความสนใจของคุณ
2. ไม่ใช่ส่วนบุคคล- สิ่งที่ลูกค้ารายอื่นกำลังดูอยู่ในขณะนี้

ความต้องการระบบข้อเสนอแนะคืออะไร?

เหตุผลสำคัญประการหนึ่งที่เราต้องการ ระบบคำแนะนำในการเรียนรู้ของเครื่อง ก็คือ เนื่องจากอินเทอร์เน็ต ผู้คนจึงมีตัวเลือกมากมายเกินกว่าจะเลือกซื้อได้

ในอดีต ผู้คนเคยซื้อของที่ร้านค้าจริงซึ่งมีสินค้าจำกัด

ตัวอย่างเช่น จำนวนภาพยนตร์ที่วางที่ร้านเช่าวิดีโอขึ้นอยู่กับขนาดของร้าน เว็บอนุญาตให้ผู้คนเข้าถึงแหล่งข้อมูลออนไลน์มากมาย Netflix มีคอลเลกชั่นภาพยนตร์มากมาย เมื่อปริมาณข้อมูลที่มีอยู่เพิ่มขึ้น ปัญหาใหม่ก็เกิดขึ้นและผู้คนพบว่าเป็นการยากที่จะเลือกจากตัวเลือกที่หลากหลาย จึงมีการนำระบบการแนะนำมาใช้

ระบบแนะนำใช้ที่ไหน?

• เว็บไซต์อีคอมเมิร์ซขนาดใหญ่ใช้เครื่องมือนี้เพื่อแนะนำสินค้าที่ผู้บริโภคอาจต้องการซื้อ
• การปรับแต่งเว็บ

ระบบคำแนะนำทำงานอย่างไร?

• เราสามารถแนะนำสิ่งต่าง ๆ ให้กับลูกค้าที่โดยทั่วไปแล้วเป็นที่นิยมในหมู่ลูกค้ารายอื่น
• เราสามารถแบ่งลูกค้าออกเป็นหลายกลุ่มตามการเลือกผลิตภัณฑ์และแนะนำสิ่งที่พวกเขาอาจซื้อ

เทคนิคทั้งสองข้างต้นมีข้อเสีย ในกรณีแรก สิ่งที่ได้รับความนิยมและเป็นที่นิยมมากที่สุดจะเหมือนกันสำหรับลูกค้าทุกราย ดังนั้น ทุกคนคงได้รับคำแนะนำที่คล้ายคลึงกัน ในขณะที่ในครั้งที่สอง เมื่อจำนวนลูกค้าเพิ่มขึ้น จำนวนสิ่งที่เน้นเป็นคำแนะนำก็จะเพิ่มขึ้นเช่นกัน ดังนั้นจึงเป็นการยากที่จะจัดกลุ่มลูกค้าทั้งหมดภายใต้ส่วนต่างๆ

ตอนนี้เราจะมาดูกันว่าระบบคำแนะนำทำงานอย่างไร

การเก็บรวบรวมข้อมูล

นี่เป็นขั้นตอนแรกที่สำคัญที่สุดในการสร้างระบบการแนะนำ ข้อมูลมักถูกรวบรวมโดยสองวิธี: ชัดแจ้งและโดยนัย

ข้อมูลที่โจ่งแจ้งจะเป็นข้อมูลที่ให้โดยเจตนา กล่าวคือ การมีส่วนร่วมของลูกค้า เช่น บทวิจารณ์ภาพยนตร์ ข้อมูลโดยนัยคือข้อมูลที่ไม่ได้รับโดยเจตนา แต่รวบรวมจากสตรีมข้อมูลที่เข้าถึงได้ เช่น การคลิก ประวัติการค้นหา ประวัติคำขอ และอื่นๆ

ที่เก็บข้อมูล

ปริมาณข้อมูลบ่งบอกถึงความซื่อสัตย์ของคำแนะนำของแบบจำลอง ชนิดข้อมูลมีบทบาทสำคัญในการเลือกข้อมูลจากประชากรจำนวนมาก ความจุสามารถประกอบด้วยฐานข้อมูล SQL และ NoSQL มาตรฐานหรือรูปแบบการจัดเก็บบทความ

การกรองข้อมูล

หลังจากรวบรวมและจัดเก็บ ข้อมูลนี้จะต้องถูกกรองเพื่อดึงข้อมูลเพื่อให้คำแนะนำขั้นสุดท้าย อัลกอริธึมต่างๆ ทำให้กระบวนการกรองง่ายขึ้น

อัลกอริทึมสำหรับระบบคำแนะนำ

ระบบซอฟต์แวร์ให้คำแนะนำแก่ผู้ใช้โดยใช้การทำซ้ำในอดีตและคุณลักษณะของรายการ/ผู้ใช้

มีสองวิธีในการสร้างระบบการแนะนำ

1. คำแนะนำตามเนื้อหา

• ใช้แอตทริบิวต์ของรายการ/ผู้ใช้
• แนะนำรายการที่คล้ายกับที่ผู้ใช้เคยชอบในอดีต

2. การกรองการทำงานร่วมกัน

• รายการแนะนำโดยผู้ใช้ที่คล้ายกัน
• เปิดใช้งานการสำรวจเนื้อหาที่หลากหลาย

คำแนะนำตามเนื้อหา

แมชชีนเลิร์นนิงภายใต้การดูแลจะกระตุ้นตัวแยกประเภทเพื่อแยกความแตกต่างระหว่างไอเท็มผู้ใช้ที่น่าสนใจและไม่น่าสนใจ

วัตถุประสงค์ของระบบการแนะนำคือการคาดการณ์คะแนนสำหรับสิ่งที่ไม่ได้รับการจัดอันดับของผู้ใช้ แนวคิดพื้นฐานที่อยู่เบื้องหลังการกรองเนื้อหาคือทุกอย่างมีไฮไลท์ x อยู่เล็กน้อย

ตัวอย่างเช่น ภาพยนตร์เรื่อง “Love at Last” เป็นภาพยนตร์โรแมนติกและได้คะแนนสูงสำหรับไฮไลท์ x1 แต่คะแนน x2 ต่ำ

( ข้อมูล การ จัดอันดับ ภาพยนตร์ )

แหล่งที่มา

แต่ละคนมีตัวแปร θ ที่บอกว่าพวกเขารักหนังโรแมนติกมากแค่ไหน และรักหนังแอคชั่นมากแค่ไหน

ถ้า θ = [1, 0.1] บุคคลนั้นชอบหนังโรแมนติกแต่ไม่ใช่หนังแอคชั่น

เราสามารถหาค่า θ ที่เหมาะสมที่สุดได้ด้วยการถดถอยเชิงเส้นสำหรับทุกคน

(โน้ต)

r(i,j): 1 ถ้าผู้ใช้ j ได้ให้คะแนนภาพยนตร์ i (0 อย่างอื่น)

y(i,j): ผู้ใช้ j ให้คะแนนในภาพยนตร์ i (ถ้ากำหนดไว้)

θ(j): พารามิเตอร์เวกเตอร์ผู้ใช้

x(i): ภาพยนตร์ i นำเสนอเวกเตอร์

คะแนนที่คาดคะเน [ผู้ใช้ j, หนัง i]: (θ(j))ᵀx(i)

m(j): # จำนวนภาพยนตร์ของผู้ใช้ j อัตรา

nᵤ: # ของผู้ใช้

n: # คุณสมบัติของภาพยนตร์

อ่าน: แนวคิดและหัวข้อโครงการการเรียนรู้ของเครื่อง

การกรองการทำงานร่วมกัน

ข้อเสียของการกรองเนื้อหาคือต้องการข้อมูลด้านข้างสำหรับทุกอย่าง

ตัวอย่างเช่น การจำแนกประเภทอย่างโรแมนติกและแอ็คชั่นเป็นข้อมูลด้านข้างของภาพยนตร์ การหาคนที่ดูหนังและเพิ่มข้อมูลด้านข้างสำหรับภาพยนตร์แต่ละเรื่องมีค่าใช้จ่ายสูง

สมมติฐานพื้นฐาน

• ผู้ใช้ที่มีความสนใจคล้ายกันมีความชอบร่วมกัน
• มีการตั้งค่าผู้ใช้จำนวนมากเพียงพอ

แนวทางหลัก

• อิงจากผู้ใช้
• ตามรายการ

เราจะแสดงรายการคุณสมบัติทั้งหมดของภาพยนตร์ได้อย่างไร? เกิดอะไรขึ้นถ้าใครอยากเพิ่มคุณสมบัติใหม่? เราควรเพิ่มคุณสมบัติใหม่ให้กับภาพยนตร์ทุกเรื่องหรือไม่?

การกรองการทำงานร่วมกันช่วยแก้ปัญหานี้ได้

( ทำนายคุณสมบัติของหนัง ) ที่มา

ปัญหาและการบำรุงรักษาด้วยระบบคำแนะนำในการเรียนรู้ของเครื่อง

ปัญหา

• โครงสร้างการป้อนข้อมูลของผู้ใช้ที่สรุปไม่ได้
• กำลังมองหาผู้ใช้ที่จะมีส่วนร่วมในการศึกษาวิจารณ์
• การคำนวณที่อ่อนแอ
• ผลลัพธ์ไม่ดี
• ข้อมูลแย่
• ขาดข้อมูล
• การควบคุมความเป็นส่วนตัว (อาจไม่ร่วมมือกับใบเสร็จอย่างชัดเจน)

การซ่อมบำรุง

• ราคาแพง
• ข้อมูลล้าสมัย
• คุณภาพของข้อมูล (ขนาดใหญ่ การพัฒนาพื้นที่วงกลม)

ระบบคำแนะนำในการเรียนรู้ของเครื่อง มีรากฐานมาจากพื้นที่การวิจัยที่หลากหลาย เช่น การดึงข้อมูล การจัดประเภทข้อความ และการใช้วิธีการที่แตกต่างจากส่วนต่างๆ เช่น การเรียนรู้ของเครื่อง การทำเหมืองข้อมูล และระบบฐานความรู้

อนาคตของระบบคำแนะนำ

• Extract เข้าใจการประเมินเชิงลบผ่านการตรวจสอบสิ่งของที่นำกลับมา
• วิธีการรวมพื้นที่ท้องถิ่นเข้ากับข้อเสนอ
• ระบบจะใช้ระบบคำแนะนำในภายหลังเพื่อคาดการณ์ความสนใจสำหรับสินค้า ซึ่งช่วยให้ติดต่อกลับมาที่เครือข่ายร้านค้าได้

อัพเกรดอาชีพของคุณในการเรียนรู้ของเครื่องด้วย upGrad

หากคุณสนใจที่จะเรียนรู้เพิ่มเติมเกี่ยวกับแมชชีนเลิร์นนิง โปรดดูที่ IIIT-B & upGrad's Executive PG Program in Machine Learning & AI ซึ่งออกแบบมาสำหรับมืออาชีพที่ทำงานและมีการฝึกอบรมที่เข้มงวดมากกว่า 450 ชั่วโมง กรณีศึกษาและการมอบหมายมากกว่า 30 รายการ IIIT -B สถานะศิษย์เก่า 5+ โครงการหลักที่ปฏิบัติได้จริง & ความช่วยเหลืองานกับ บริษัท ชั้นนำ