LegközelebbKövetkező útmutató
Visszacsatolási hurkok az ML rendszerekben
Műszaki
Műszaki ÚTMUTATÓ
Az implicit visszajelzést ajánlók tanulnak az olyan viselkedésekből, mint a kattintások, lejátszások és vásárlások, ahol nem adtak meg kifejezett értékelést.
Hallgassa meg ezt az útmutatótAI-narrált · ~3 min
A legkisebb négyzetek váltakozása (ALS) megbecsüli a felhasználói és a tárgyak látens tényezőit, miközben a megfigyelt interakciókat megbízhatósággal súlyozza, de a hiányzó interakció általában ismeretlen preferenciát jelent, nem pedig negatív értékelést.
Az explicit visszacsatolási rendszerek értékeléseket vagy közvetlen preferencia ítéleteket használnak. Az implicit visszajelzési rendszerek ehelyett olyan viselkedést figyelnek meg, mint a kattintások, a nézési idő, a vásárlások vagy a mentések. Ezek az események az érdeklődésről tanúskodnak, de zajosak és hiányosak: egy kattintás lehet véletlen, és a kattintás hiánya azt jelentheti, hogy az elem soha nem került nyilvánosságra. Minden hiányzó felhasználói elem pár kifejezett ellenszenvként való kezelése torzíthatja a tanulást. A közös látens faktor megközelítés minden felhasználóhoz és elemhez rendel egy vektort, és előrejelzi a preferenciát a belső termékükből. Az implicit ALS egy bináris p_ui preferenciát határoz meg, amely jelzi, hogy interakció történt-e, és egy c_ui bizalmat, amely nagyobb az erősebb bizonyítékok érdekében. Az egyik készítmény c_ui = 1 + alfa*r_ui értéket állít be a megfigyelt r_ui erősséghez, és egy alapvonalbeli megbízhatóságot a nem megfigyelt párokhoz. Minimalizálja a megbízhatósággal súlyozott négyzetes hibát és a szabályosítást. A pontos kódolás és erősségtranszformáció modellezési választás. A cél összekapcsolja a felhasználó és az elem vektorait, így az összes tényező együttes optimalizálása nehéz. ALS alternatívák: javítsa ki az elemvektorokat, és oldja meg az egyes felhasználók legalizált legkisebb négyzetes vektorait, majd javítsa ki a felhasználói vektorokat és oldja meg az elemfrissítéseket. Minden részproblémának van egy zárt formájú megoldása a közös célkitűzés alatt. Az iterációk a javulásig vagy egy másik leállítási szabályig folytatódnak. A ritka interakciós mátrixok praktikussá teszik ezt a megközelítést, mivel a nem megfigyelt párok egy alapvonalon osztoznak, és a megfigyelt események módosítják a bizalmat. Az interakciós adatok expozíciós és népszerűségi torzítást hordoznak. A felhasználó nem léphet kapcsolatba olyan elemmel, amellyel soha nem találkozik, és a nyers gyakoriság túlértékelheti az amúgy is népszerű tartalmat. Az értékelésnek időtudatos felosztásokat és rangsorolási mutatókat kell használnia, miközben nyomon kell követnie a katalógus lefedettségét, az újdonságokat és a felhasználói eredményeket. Az ALS látens reprezentációkat és jelölt pontszámokat készít; eleve nem ad magyarázatot vagy ok-okozati bizonyítékot arra vonatkozóan, hogy egy ajánlás kielégíti a felhasználót. A jogosultsági, biztonsági és frissességi megszorításokat külön építse be, és kövesse nyomon a cikkek elérhetőségében és viselkedési mintáiban bekövetkezett változásokat.
Egy feltételezett felhasználó háromszor kattint egy elemre. Egy implicit modell pozitív preferenciajelzőt kódolhat, és nagyobb biztonságot adhat, mint egy elemhez egyetlen rövid kattintással, miközben a kattintások felismerése továbbra is véletlen lehet.
Egy felhasználó nem nézett meg egy katalógustételt. A rendszer ezt hiányzó bizonyítékként kezeli, nem a nemtetszés bizonyítékaként, mert előfordulhat, hogy a felhasználó soha nem látta az elemet.
Az ALS-ben a modell rögzítve tartja az elemtényezőket, miközben megoldja a felhasználói tényezők legalizált legkisebb négyzetes problémáit, majd rögzíti a felhasználókat az elemtényezők megoldása közben. A váltakozó frissítések addig csökkentik a közös célt, amíg a leállítási feltétel teljesül.
Az elemző összehasonlítja az ajánlásokat az időalapú kitartással, és méri a rangsor minőségét és a katalógus lefedettségét, mivel a megfigyelt interakciók rekonstrukciója önmagában kedvez a népszerű termékeknek.
Az implicit ajánlók javíthatnak, ha a naplók azt rögzítik, hogy a felhasználók valójában mit is láttak, nem csak azt, hogy mire kattintottak. Ez segít megkülönböztetni az érdeklődés hiányát az expozíció hiányától, és támogatja a hitelesebb értékelést. A csapatoknak össze kell hasonlítaniuk az események erősségét, figyelniük kell a népszerűség koncentrációját és a katalógus lefedettségét, és ellenőrizniük kell a jövőbeli interakciókat. Az embereket szem előtt tartó magyarázatok nem hangsúlyozhatják túlzásba a látens tényezőket az ajánlások indokaként. Ahogy a katalógusok és a felhasználói viselkedés megváltozik, az átképzési és biztonsági szűrőknek meg kell őrizniük a relevancia mellett a jogosultsági és sokszínűségi célokat. Tartsa szem előtt az expozíciós eseményeket és a felhasználói adatvédelmi beállításokat.
Ingyenes hírlevél
Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.
Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.
Teszteld magad
Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.
Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt
Az implicit visszajelzést ajánlók tanulnak az olyan viselkedésekből, mint a kattintások, lejátszások és vásárlások, ahol nem adtak meg kifejezett értékelést. A legkisebb négyzetek váltakozása (ALS) megbecsüli a felhasználói és a tárgyak látens tényezőit, miközben a megfigyelt interakciókat megbízhatósággal súlyozza, de a hiányzó interakció általában ismeretlen preferenciát jelent, nem pedig negatív értékelést.
Előfordulhat, hogy a felhasználó nem volt kitéve az elemnek, így a viselkedés hiánya nem jelent negatív preferenciát.
A bizalmi súlyok határozzák meg, hogy a modell mennyire szankcionálja a hibákat az egyes felhasználói elemek preferenciáinak megfigyelésekor.
A váltakozó frissítések egyszerre optimalizálják az egyik tényezőmátrixot, miközben a másikat rögzítve tartják.
Egyetlen interakció sem tükrözheti az elem megtekintésének lehetőségét, nem pedig negatív preferenciát.
A szabályosítási feltételek korlátozzák a faktornagyságokat, és segítik a túlillesztés szabályozását.
Tanulj tovább
További útmutatók készültek ehhez a témához
LegközelebbKövetkező útmutató
Visszacsatolási hurkok az ML rendszerekben
Műszaki