পরবর্তী আপপরবর্তী গাইড
ইউনিট টেস্টিং মেশিন লার্নিং কোড
টেকনিক্যাল
প্রযুক্তিগত গাইড
ফ্যাক্টরাইজেশন মেশিন মডেল পেয়ারওয়াইজ বৈশিষ্ট্য মিথস্ক্রিয়া প্রতিটি বৈশিষ্ট্য একটি শেখা নিম্ন-মাত্রিক ফ্যাক্টর ভেক্টর দ্বারা প্রতিনিধিত্ব করে।
এই নির্দেশিকা শুনুনএআই-বর্ণিত · ~3 min
এগুলি সুপারিশ এবং ক্লিক পূর্বাভাসের মতো বিক্ষিপ্ত সেটিংসের জন্য দরকারী, যেখানে অনেক বৈশিষ্ট্যের সংমিশ্রণ খুব কমই পরিলক্ষিত হয় তবে ভাগ করা সুপ্ত কারণগুলি তাদের জুড়ে সাধারণীকরণ করতে পারে।
অনেক ভবিষ্যদ্বাণী সমস্যা বিক্ষিপ্ত শ্রেণীগত বৈশিষ্ট্য এবং মিথস্ক্রিয়া ধারণ করে। ব্যবহারকারী, আইটেম, ডিভাইস, অঞ্চল এবং প্রেক্ষাপটের এক-উষ্ণ উপস্থাপনা বিপুল সংখ্যক সম্ভাব্য বৈশিষ্ট্য জোড়া তৈরি করতে পারে, যার বেশিরভাগই খুব কমই বা কখনও দেখা যায় না। একটি রৈখিক মডেল পৃথক বৈশিষ্ট্য প্রভাব ক্যাপচার করে কিন্তু মিথস্ক্রিয়া প্রতিনিধিত্ব করার জন্য সুস্পষ্ট ক্রস বৈশিষ্ট্য প্রয়োজন। ফ্যাক্টরাইজেশন মেশিন (এফএম) লো-র্যাঙ্ক ফ্যাক্টর ভেক্টরের সাথে সেই পেয়ারওয়াইজ প্রভাবগুলিকে মডেল করে। একটি দ্বিতীয়-ক্রম এফএম পূর্বাভাস একটি পক্ষপাত, প্রতিটি বৈশিষ্ট্যের জন্য একটি রৈখিক শব্দ এবং সক্রিয় বৈশিষ্ট্যগুলির প্রতিটি জোড়ার জন্য একটি মিথস্ক্রিয়া শব্দ অন্তর্ভুক্ত করে। i এবং j বৈশিষ্ট্যের জন্য, মিথস্ক্রিয়া হল তাদের সুপ্ত ভেক্টর v_i এবং v_j এর ডট গুণফল, x_i*x_j দ্বারা গুণিত। ভাগ করা নিম্ন-মাত্রিক উপস্থাপনা মডেলটিকে সম্পর্কিত পর্যবেক্ষণগুলি থেকে শিখতে দেয়: একটি ব্যবহারকারী এবং ডিভাইস ভেক্টর একত্রিত করতে পারে এমনকি তাদের সঠিক জুটি ঘন ঘন দেখা না গেলেও। এই শেয়ারিং স্পারস ডেটার সাথে বিশেষভাবে কার্যকর। উদাহরণস্বরূপ, ক্লিক ভবিষ্যদ্বাণীতে, মডেলটিতে ব্যবহারকারীর আইডি, ডিভাইসের ধরন, প্রচারাভিযান আইডি এবং সময়ের প্রসঙ্গ অন্তর্ভুক্ত থাকতে পারে। একটি ফ্যাক্টর মিথস্ক্রিয়া প্রতিনিধিত্ব করতে পারে যে কিছু ব্যবহারকারী প্রতিটি সম্ভাব্য সংমিশ্রণের জন্য একটি পৃথক সহগ তৈরি না করেই নির্দিষ্ট ডিভাইসের ধরনগুলিতে ভিন্নভাবে প্রতিক্রিয়া জানায়। সুপ্ত মাত্রাগুলি তত্ত্বাবধানে থাকা উদ্দেশ্য থেকে শেখা হয়, কিন্তু সেগুলির স্বয়ংক্রিয়ভাবে মানব-পাঠযোগ্য অর্থ থাকে না। নিয়মিতকরণ ফ্যাক্টর আকার নিয়ন্ত্রণ করে, এবং বৈশিষ্ট্য স্কেলিং বা এনকোডিং কোন মিথস্ক্রিয়া শিখেছে তা প্রভাবিত করে। FM গুলি অনুমান করে যে মিথস্ক্রিয়াগুলি নিম্ন-র্যাঙ্কের যুগলভিত্তিক কাঠামো দ্বারা প্রতিনিধিত্ব করা যেতে পারে। বর্ধিত না হওয়া পর্যন্ত তারা উচ্চ-অর্ডার প্রভাবগুলি মিস করতে পারে এবং ডেটা স্পর্স বা ফ্যাক্টরগুলি খুব বড় হলে তারা ওভারফিট করতে পারে। লগ-ইন এক্সপোজারেও তারা পক্ষপাতের উত্তরাধিকারী হয়: একটি অপ্রদর্শিত ক্লিক মানেই অরুচি নয়। সময়-সচেতন মূল্যায়ন ব্যবহার করে লিনিয়ার এবং অন্যান্য সুপারিশকারী বেসলাইনের সাথে তুলনা করুন। র্যাঙ্কিং, ক্রমাঙ্কন, ব্যবহারকারী/আইটেম গ্রুপ এবং ডেটা কভারেজ জুড়ে কর্মক্ষমতা মূল্যায়ন করুন। ফ্যাক্টরাইজেশন হল একটি প্যারামিটার-শেয়ারিং কৌশল, এটি গ্যারান্টি নয় যে অদেখা সংমিশ্রণগুলি সঠিকভাবে অনুমান করা হয়েছে বা একটি সুপ্ত মিথস্ক্রিয়া কার্যকারক।
একটি অনুমানমূলক বিজ্ঞাপন মডেল ব্যবহারকারী আইডি, ডিভাইস এবং প্রচারাভিযানের সূচক ব্যবহার করে। একটি ফ্যাক্টরাইজেশন মেশিন তাদের ফ্যাক্টর ভেক্টর থেকে ব্যবহারকারী-ডিভাইস মিথস্ক্রিয়া অনুমান করতে পারে এমনকি যখন সেই সঠিক জুটি প্রশিক্ষণে বিরল ছিল।
এক-হট ব্যবহারকারী এবং আইটেম বৈশিষ্ট্যগুলির জন্য, একটি রৈখিক মডেল পৃথক প্রভাব শিখে তবে স্পষ্ট ক্রস-বৈশিষ্ট্য ছাড়া ব্যবহারকারী-আইটেমের মিথস্ক্রিয়া প্রকাশ করতে পারে না। একটি ফ্যাক্টরাইজেশন মেশিন সুপ্ত ভেক্টরের মাধ্যমে পেয়ারওয়াইজ ইন্টারঅ্যাকশন স্কোর সরবরাহ করে।
শুধুমাত্র কয়েকটি সক্রিয় বৈশিষ্ট্য সহ একটি বিক্ষিপ্ত সারি প্রতিটি সম্ভাব্য বৈশিষ্ট্য জোড়ার একটি ঘন সারণীকে বাস্তবায়িত না করেই এর জোড়া অনুসারে পদ গণনা করতে পারে।
একজন বিশ্লেষক একটি সময়-ভিত্তিক বিভাজনে একটি রৈখিক বেসলাইনের সাথে একটি ফ্যাক্টরাইজেশন মেশিনের তুলনা করে এবং ক্রমাঙ্কন এবং সেগমেন্ট কভারেজ পরিদর্শন করে; একটি শক্তিশালী মিথস্ক্রিয়া ফিট স্বয়ংক্রিয়ভাবে নিরপেক্ষ সুপারিশ মানে না।
ফ্যাক্টরাইজেশন মেশিনগুলি দলগুলিকে তাদের ডেটা পাইপলাইনগুলি পরিচালনাযোগ্য রাখার সময় স্পারস ইন্টারঅ্যাকশন মডেল করতে সহায়তা করতে পারে, তবে মূল্যায়নের জন্য কোল্ড-স্টার্ট ব্যবহারকারী এবং আইটেমগুলির পাশাপাশি সাধারণ সংমিশ্রণগুলি পরীক্ষা করা উচিত। প্রতিবেদনগুলি একটি রৈখিক বেসলাইনের সাথে ফ্যাক্টর মাত্রা, নিয়মিতকরণ এবং বৈশিষ্ট্যের সংজ্ঞা তুলনা করতে পারে, তারপর সময়ের সাথে ক্রমাঙ্কন এবং র্যাঙ্কিং গুণমান ট্র্যাক করতে পারে। ব্যবহারকারী-আইটেম এক্সপোজার নির্বাচনী হলে, লগিং উন্নত করুন বা একটি মূল্যায়ন নকশা প্রয়োগ করুন যা এটির জন্য দায়ী। সুপ্ত ভেক্টরকে বৈধতা ছাড়া ব্যাখ্যা হিসাবে বাজারজাত করা উচিত নয়। ভবিষ্যত বৈশিষ্ট্য সংযোজনের জন্য অস্থায়ী প্রাপ্যতা পরীক্ষা এবং স্থিতিশীলতা পর্যালোচনা প্রয়োজন যাতে উন্নত অফলাইন ইন্টারঅ্যাকশন ফিট ফুটো বা অন্যায্য কর্মক্ষমতা ফাঁক প্রবর্তন করে না।
ফ্রি নিউজলেটার
প্রতি সপ্তাহের কাজের দিন সকালে তিনটি যাচাইকৃত এআই স্টোরি, সহজ ইংরেজিতে লেখা। চিরকালের জন্য ফ্রি, কোনো বিজ্ঞাপন নেই।
প্রতি সপ্তাহের কাজের দিনে একটি ইমেল। এক ক্লিকেই আনসাবস্ক্রাইব করুন। আমরা কখনোই আপনার ঠিকানা বিক্রি বা শেয়ার করি না।
নিজেকে পরীক্ষা করুন
প্রতিটি উত্তরের তাৎক্ষণিক ফিডব্যাক, এবং কোর্স পাস করার পর যাচাইযোগ্য আইডি সহ একটি শেয়ারযোগ্য সার্টিফিকেট।
ফ্রি এআই শিক্ষাকে সমর্থন করুন। AI Understanding একটি 501(c)(3) অলাভজনক প্রতিষ্ঠান — কোনো বিজ্ঞাপন নেই, কোনো পেওয়াল নেই, কখনোই না। একটি দান করুন
ফ্যাক্টরাইজেশন মেশিন মডেল পেয়ারওয়াইজ ফিচার ইন্টারঅ্যাকশন প্রতিটি বৈশিষ্ট্যকে একটি শেখা নিম্ন-মাত্রিক ফ্যাক্টর ভেক্টর দিয়ে উপস্থাপন করে। এগুলি সুপারিশ এবং ক্লিক পূর্বাভাসের মতো বিক্ষিপ্ত সেটিংসের জন্য দরকারী, যেখানে অনেক বৈশিষ্ট্যের সংমিশ্রণ খুব কমই পরিলক্ষিত হয় তবে ভাগ করা সুপ্ত কারণগুলি তাদের জুড়ে সাধারণীকরণ করতে পারে।
ভাগ করা সুপ্ত কারণগুলি প্রতিটি জোড়াকে স্বাধীনভাবে অনুমান করার পরিবর্তে বৈশিষ্ট্য জোড়া জুড়ে তথ্য স্থানান্তর করতে দেয়।
মিথস্ক্রিয়া ছাড়া, একটি রৈখিক মডেল পৃথক বৈশিষ্ট্য প্রভাব যোগ করে কিন্তু জোড়া-নির্দিষ্ট আচরণ প্রকাশ করতে পারে না।
একটি বীজগাণিতিক পরিচয় বৈশিষ্ট্য গণনা গুণের সুপ্ত মাত্রার সমানুপাতিক সময়ে যুগলভাবে যোগফল গণনা করে।
প্রচ্ছন্ন কারণগুলি সাংখ্যিক উপস্থাপনা শিখেছে এবং স্বয়ংক্রিয়ভাবে শব্দার্থিক ব্যাখ্যা নয়।
স্ট্যান্ডার্ড প্রণয়নে যুগলভিত্তিক মিথস্ক্রিয়া অন্তর্ভুক্ত; উচ্চ ক্রম প্রভাব এক্সটেনশন বা অতিরিক্ত বৈশিষ্ট্য প্রয়োজন.
শিখতে থাকুন
এই বিষয়ের জন্য বাছাই করা আরও গাইড
পরবর্তী আপপরবর্তী গাইড
ইউনিট টেস্টিং মেশিন লার্নিং কোড
টেকনিক্যাল