DalšíDalší průvodce
Zpětná vazba v systémech ML
Technický
Technický PRŮVODCE
Doporučující osoby využívající implicitní zpětnou vazbu se učí z chování, jako jsou kliknutí, hraní a nákupy, kde nebylo poskytnuto žádné explicitní hodnocení.
Poslechněte si tento návodAI-vyprávěný · ~3 min
Alternativní metoda nejmenších čtverců (ALS) odhaduje latentní faktory uživatele a položky a zároveň váží pozorované interakce spolehlivostí, ale chybějící interakce obvykle znamená neznámou preferenci spíše než negativní hodnocení.
Systémy explicitní zpětné vazby používají hodnocení nebo přímé úsudky o preferenci. Systémy implicitní zpětné vazby místo toho sledují chování, jako jsou kliknutí, doba sledování, nákupy nebo ukládání. Tyto události poskytují důkaz zájmu, ale jsou hlučné a neúplné: kliknutí může být náhodné a žádné kliknutí nemusí znamenat, že položka nebyla nikdy vystavena. Zacházení s každým chybějícím párem uživatel-položka jako s explicitním odporem může narušit učení. Společný přístup založený na latentním faktoru přiřazuje každému uživateli a předmětu vektor a předpovídá preference z jejich vnitřního produktu. Implicitní ALS definuje binární preferenci p_ui udávající, zda došlo k interakci, a spolehlivost c_ui, která je větší pro silnější důkaz. Jedna formulace nastavuje c_ui = 1 + alpha*r_ui pro pozorovanou sílu r_ui a základní spolehlivost pro nepozorované páry. Minimalizuje se spolehlivostí vážená čtvercová chyba plus regularizace. Přesné kódování a transformace síly jsou volbami modelování. Cíl spojuje vektory uživatele a položky, takže přímá optimalizace všech faktorů společně je obtížná. Alternativy ALS: opravte vektory položek a vyřešte každý uživatelův regulovaný vektor nejmenších čtverců, poté opravte uživatelské vektory a vyřešte aktualizace položek. Každý dílčí problém má uzavřené řešení v rámci společného cíle. Iterace pokračují až do zlepšení nebo jiného pravidla zastavení. Řídké matice interakcí činí tento přístup praktickým, protože nepozorované páry sdílejí základní linii a pozorované události upravují spolehlivost. Údaje o interakcích nesou zkreslení expozice a popularity. Uživatel nemůže interagovat s položkou, se kterou se nikdy nesetká, a nezpracovaná frekvence může nadhodnocovat již oblíbený obsah. Hodnocení by mělo využívat časově rozlišené rozdělení a metriky hodnocení a zároveň sledovat pokrytí katalogu, novinku a výsledky uživatelů. ALS vytváří latentní reprezentace a skóre kandidátů; ze své podstaty neposkytuje vysvětlení ani kauzální důkaz, že doporučení uspokojí uživatele. Samostatně začleňte omezení způsobilosti, bezpečnosti a čerstvosti a sledujte změny v dostupnosti položek a vzorcích chování.
Hypotetický uživatel klikne na položku třikrát. Implicitní model může zakódovat indikátor pozitivní preference a přiřadit větší spolehlivost než položce jedním krátkým kliknutím, zatímco rozpoznání kliknutí může být stále náhodné.
Uživatel si neprohlédl položku katalogu. Systém to považuje za chybějící důkaz, nikoli za důkaz odporu, protože uživatel položku možná nikdy neviděl.
V ALS model drží faktory položky zafixované při řešení regularizovaných problémů nejmenších čtverců pro uživatelské faktory, poté udržuje uživatele zafixované při řešení faktorů položek. Střídavé aktualizace snižují společný cíl, dokud není splněno kritérium zastavení.
Analytik porovnává doporučení s časovým omezením a měří kvalitu hodnocení a pokrytí katalogu, protože samotná rekonstrukce pozorovaných interakcí může upřednostňovat oblíbené položky.
Implicitní doporučovatelé se mohou zlepšit, když protokoly zaznamenávají, co se uživatelům skutečně zobrazilo, nejen to, na co klikli. To pomáhá odlišit nezájem od nedostatečné expozice a podporuje důvěryhodnější hodnocení. Týmy by měly porovnávat transformace síly událostí, sledovat koncentraci popularity a pokrytí katalogem a ověřovat budoucí interakce. Vysvětlení tváří v tvář člověku by neměla přehánět latentní faktory jako důvody pro doporučení. Jak se katalogy a chování uživatelů mění, rekvalifikační a bezpečnostní filtry by měly vedle relevance zachovat cíle způsobilosti a rozmanitosti. Mějte přehled o událostech kontaktu a ochraně soukromí uživatelů.
Newsletter zdarma
Tři ověřené příběhy ze světa AI každý všední den ráno, psané srozumitelnou angličtinou. Navždy zdarma, bez reklam.
Jeden e-mail každý všední den. Odhlásit se můžete jedním kliknutím. Vaši adresu nikdy neprodáváme ani nesdílíme.
Otestujte se
Okamžitá zpětná vazba ke každé odpovědi a sdílitelný certifikát s ověřitelným ID po absolvování kurzu.
Podpořte bezplatnou AI vzdělávání. AI Understanding je nezisková organizace 501(c)(3) — žádné reklamy, žádná platba za přístup, nikdy. Darujte
Doporučující osoby využívající implicitní zpětnou vazbu se učí z chování, jako jsou kliknutí, hraní a nákupy, kde nebylo poskytnuto žádné explicitní hodnocení. Alternativní metoda nejmenších čtverců (ALS) odhaduje latentní faktory uživatele a položky a zároveň váží pozorované interakce spolehlivostí, ale chybějící interakce obvykle znamená neznámou preferenci spíše než negativní hodnocení.
Uživatel možná nebyl vystaven této položce, takže absence chování nezakládá negativní preference.
Váhy spolehlivosti určují, do jaké míry model penalizuje chyby při každém pozorování preference uživatelské položky.
Střídavé aktualizace optimalizují jednu faktorovou matici po druhé, zatímco druhou drží pevně.
Žádná interakce nemusí odrážet žádnou příležitost vidět položku spíše než negativní preference.
Regulační podmínky omezují velikost faktoru a pomáhají kontrolovat nadměrné vybavení.
Učte se dál
Pro toto téma bylo vybráno více průvodců
DalšíDalší průvodce
Zpětná vazba v systémech ML
Technický