Öneri Sistemi Oluşturmak için Basit Kılavuz Makine Öğrenimi [222]

Günümüzün internet işletmelerinin çoğu, kişiselleştirilmiş bir kullanıcı deneyimi sunma eğilimindedir. Makine öğrenimindeki bir öneri sistemi , kullanıcılara ilgilenebilecekleri içerik hakkında kişiselleştirilmiş öneriler sağlayan belirli bir tür kişiselleştirilmiş web tabanlı uygulamadır. Tavsiye sistemi, tavsiye sistemi olarak da bilinir.

Öneri Sistemi Nedir?

Makine öğrenimindeki bir öneri sistemi , bir kullanıcı için bir dizi şeyin gereksinimlerini tahmin edebilir ve ihtiyaç duyulabilecek en önemli şeyleri önerebilir.

Öneri sistemleri, işletmeler için uygulanan makine öğrenme teknolojilerinin en yaygın uygulamalarından biridir.

Perakende, talep üzerine video veya müzik akışında büyük ölçekli öneri sistemleri bulabiliriz.

Öneri sistemleri, bireylerin benzer zevklere sahip başkalarını keşfetmeye çalıştıkları ve daha sonra yeni öğeler önermelerini istedikleri benzersiz bir veri açığa çıkarma modelinin parçalarını robotlaştırmaya çalışır.

Kariyerinizi hızlandırmak için Makine Öğrenimi Kursuna , Makine Öğrenimi ve Yapay Zeka alanında Dünyanın en iyi Üniversiteleri - Yüksek Lisanslar, Yönetici Yüksek Lisans Programları ve İleri Düzey Sertifika Programından çevrimiçi katılın .

Tavsiye Sistemi Türleri

1. Kişiselleştirilmiş - ilginize dayalı öneri.
2. Kişiselleştirilmemiş - diğer müşterilerin şu anda neye baktığı.

Tavsiye Sistemine Ne Gerek Var?

Makine öğreniminde bir öneri sistemine ihtiyaç duymamızın temel nedenlerinden biri , internet nedeniyle insanların satın almayı seçebilecekleri çok fazla seçeneğe sahip olmasıdır.

Geçmişte insanlar, ürünlerin bulunabilirliğinin sınırlı olduğu fiziksel mağazalardan alışveriş yaparlardı.

Örneğin, bir video kiralama mağazasına yerleştirilen film sayısı, mağazanın boyutuna bağlıydı. Web, insanların birçok çevrimiçi kaynağa erişmesine izin verir. Netflix'in harika bir film koleksiyonu var. Mevcut bilgi miktarı arttıkça yeni bir sorun ortaya çıktı ve insanlar çok çeşitli seçenekler arasından seçim yapmakta zorlandılar. Böylece tavsiye sistemleri devreye girdi.

Öneri Sistemleri Nerelerde Kullanılır?

• Büyük e-ticaret siteleri, bir tüketicinin satın almak isteyebileceği ürünleri önermek için bu aracı kullanır.
• Web kişiselleştirme.

Öneri Sistemi Nasıl Çalışır?

• Bir müşteriye genellikle diğer müşteriler arasında popüler olan şeyler önerebiliriz.
• Müşterileri ürün tercihlerine göre birkaç gruba ayırabilir ve satın alabilecekleri şeyleri önerebiliriz.

Yukarıdaki tekniklerin her ikisinin de dezavantajları vardır. İlk durumda, en popüler, ana akım şeyler her müşteri için aynı olacaktır. Bu nedenle, muhtemelen herkes benzer öneriler alacaktır. İkincisinde ise danışan sayısı arttıkça öneri olarak öne çıkanların sayısı da artacaktır. Bu nedenle, tüm istemcileri farklı bölümler altında gruplamak zor olacaktır.

Şimdi, öneri sisteminin nasıl çalıştığını göreceğiz.

Veri toplama

Bu, bir öneri sistemi oluşturmanın ilk ve en önemli adımıdır. Bilgi genellikle iki yöntemle toplanır: açık ve örtük.

Açık bilgi, kasıtlı olarak verilen veriler, yani film incelemeleri gibi müşteriler tarafından yapılan katkı olacaktır. Örtük bilgi, amaçlı olarak verilmeyen ancak erişilebilir bilgi akışlarından, örneğin tıklamalar, arama geçmişi, istek geçmişi vb. toplanan verilerdir.

Veri deposu

Bilgi hacmi, modelin önerilerinin dürüstlüğünü gösterir. Bilgi türü, büyük bir popülasyondan veri toplamada önemli bir role sahiptir. Kapasite, standart bir SQL ve NoSQL bilgi tabanını veya bir çeşit ürün stoklama biçimini içerebilir.

Veri Filtreleme

Toplama ve depolamadan sonra, nihai tavsiyeleri yapmak için bilgileri çıkarmak için bu verilerin filtrelenmesi gerekir. Çeşitli algoritmalar filtreleme işlemini kolaylaştırır.

Öneri Sistemi Algoritmaları

Yazılım sistemleri, öğelerin/kullanıcıların geçmiş yinelemelerini ve özniteliklerini kullanarak kullanıcılara önerilerde bulunur.

Bir öneri sistemi oluşturmanın iki yöntemi vardır.

1. İçeriğe dayalı öneri

• Öğelerin/kullanıcıların özelliklerini kullanır
• Geçmişte kullanıcı tarafından beğenilenlere benzer öğeler önerin

2. İşbirliğine dayalı filtreleme

• Benzer kullanıcılar tarafından beğenilen öğeleri önerin
• Çeşitli içeriğin keşfedilmesini sağlayın

İçeriğe Dayalı Öneri

Denetimli makine öğrenimi, ilginç ve ilgi çekici olmayan kullanıcı öğelerini ayırt etmek için bir sınıflandırıcıya neden olur.

Bir öneri sisteminin amacı, kullanıcıların derecelendirilmemiş şeyler için puanlarını tahmin etmektir. İçerik filtrelemenin ardındaki temel düşünce, her şeyin birkaç vurgusu x olmasıdır.

Örneğin, “Sonunda Aşk” filmi bir romantizm filmidir ve vurgu x1 için yüksek puana, x2 için düşük puana sahiptir.

( Film Reyting Verileri )

Kaynak

Her bireyin aşk filmlerini ne kadar sevdiğini ve aksiyon filmlerini ne kadar sevdiğini söyleyen bir parametresi vardır.

θ = [1, 0.1] ise, kişi romantik filmleri sever ama aksiyon filmlerini sevmez.

Her birey için en uygun θ değerini lineer regresyonla bulabiliriz.

(Notasyon)

r(i,j): j kullanıcısı i filmini derecelendirdiyse 1 (aksi halde 0)

y(i,j): i filmindeki kullanıcı j derecelendirmesi (tanımlanmışsa)

θ(j): kullanıcı vektör parametresi

x(i): film i özellik vektörü

tahmini derecelendirme [kullanıcı j, film i]: (θ(j))ᵀx(i)

m(j): # film sayısı kullanıcı j oranları

nᵤ: kullanıcı sayısı

n: bir filmin özelliklerinin sayısı

Okuyun: Makine Öğrenimi Projesi Fikirleri ve Konuları

Ortak Filtreleme

İçerik filtrelemenin dezavantajı, her şey için yan verilere ihtiyaç duymasıdır.

Örneğin romantizm ve aksiyon gibi sınıflandırmalar filmlerin yan verileridir. Orada film izleyen ve her film için yan veriler ekleyen birini bulmak maliyetlidir.

Temel varsayımlar

• Benzer ilgi alanlarına sahip kullanıcıların ortak bir tercihi vardır.
• Yeterince fazla sayıda kullanıcı tercihi mevcuttur.

Ana Yaklaşımlar

• kullanıcı tabanlı
• Öğe tabanlı

Filmlerin tüm özellikleri nasıl sıralanabilir? Ya biri yeni bir özellik eklemek isterse? Yeni özelliği tüm filmlere eklemeli miyiz?

İşbirlikçi filtreleme bu sorunu çözer.

( Filmin özelliğini tahmin eder ) Kaynak

Makine Öğreniminde Öneri Sistemiyle İlgili Sorunlar ve Bakım

sorunlar

• Sonuçsuz kullanıcı giriş yapısı
• Eleştiri çalışmalarına katılacak kullanıcılar aranıyor
• Zayıf hesaplamalar
• Kötü sonuçlar
• zayıf bilgi
• Bilgi eksikliği
• Gizlilik kontrolü (makbuzlarla kesin olarak ekip oluşturamaz)

Bakım

• pahalı
• Bilgi eskiyor
• Bilgi kalitesi (muazzam, daire alanı geliştirme)

Makine öğrenimindeki öneri sistemlerinin kökleri, bilgi alma, metin sınıflandırma ve makine öğrenimi, veri madenciliği ve bilgi tabanlı sistemler gibi çeşitli bölümlerden farklı yöntemlerin uygulanması gibi çeşitli araştırma alanlarında bulunur.

Öneri Sisteminin Geleceği

• Geri getirilen şeylerin incelenmesi yoluyla anlaşılan olumsuz değerlendirmeleri çıkarın.
• Yerel alan tekliflerle nasıl birleştirilir.
• Öneri sistemleri, daha sonra, ürünlere olan ilgiyi tahmin etmek için kullanılacak ve mağaza ağına önceden yapılan yazışmaları güçlendirecektir.

upGrad ile Makine Öğreniminde Kariyerinizi Yükseltin

Makine öğrenimi hakkında daha fazla bilgi edinmek istiyorsanız, çalışan profesyoneller için tasarlanmış ve 450+ saat zorlu eğitim, 30'dan fazla vaka çalışması ve ödev, IIIT sunan IIIT-B & upGrad'ın Makine Öğrenimi ve Yapay Zeka alanında Yönetici PG Programına göz atın. -B Mezunu statüsü, 5'ten fazla pratik uygulamalı bitirme projesi ve en iyi firmalarla iş yardımı.