SeterusnyaPanduan seterusnya
Gelung Maklum Balas dalam Sistem ML
Teknikal
PANDUAN Teknikal
Pengesyor maklum balas tersirat belajar daripada tingkah laku seperti klik, mainan dan pembelian, yang tiada penilaian eksplisit diberikan.
Dengar panduan iniAI-diceritakan · ~3 min
Petak terkecil berselang-seli (ALS) menganggarkan faktor pendam pengguna dan item sambil menimbang interaksi yang diperhatikan mengikut keyakinan, tetapi interaksi yang hilang biasanya bermaksud keutamaan yang tidak diketahui dan bukannya penilaian negatif.
Sistem maklum balas eksplisit menggunakan penilaian atau pertimbangan keutamaan langsung. Sistem maklum balas tersirat sebaliknya memerhatikan tingkah laku seperti klik, masa tonton, pembelian atau penjimatan. Peristiwa ini memberikan bukti minat tetapi bising dan tidak lengkap: satu klik mungkin tidak disengajakan dan tiada klik mungkin bermakna item itu tidak pernah terdedah. Menganggap setiap pasangan item pengguna yang hilang sebagai tidak suka yang jelas boleh memesongkan pembelajaran. Pendekatan faktor pendam biasa memberikan setiap pengguna dan item sebagai vektor dan meramalkan keutamaan daripada produk dalaman mereka. ALS tersirat mentakrifkan p_ui pilihan binari yang menunjukkan sama ada interaksi berlaku, dan c_ui keyakinan yang lebih besar untuk bukti yang lebih kukuh. Satu formulasi menetapkan c_ui = 1 + alpha*r_ui untuk kekuatan yang diperhatikan r_ui dan keyakinan garis dasar untuk pasangan yang tidak diperhatikan. Ia meminimumkan ralat kuasa dua berwajaran keyakinan serta penyelarasan. Pengekodan dan perubahan kekuatan yang tepat ialah pilihan pemodelan. Objektif pasangan pengguna dan vektor item, jadi secara langsung mengoptimumkan semua faktor secara bersama adalah sukar. ALS bergilir-gilir: betulkan vektor item dan selesaikan vektor petak terkecil terbiasa setiap pengguna, kemudian betulkan vektor pengguna dan selesaikan kemas kini item. Setiap submasalah mempunyai penyelesaian bentuk tertutup di bawah objektif bersama. Lelaran diteruskan sehingga penambahbaikan atau peraturan berhenti yang lain. Matriks interaksi yang jarang menjadikan pendekatan ini praktikal kerana pasangan yang tidak diperhatikan berkongsi garis dasar dan peristiwa yang diperhatikan menyesuaikan keyakinan. Data interaksi membawa pendedahan dan kecenderungan populariti. Pengguna tidak boleh berinteraksi dengan item yang tidak pernah mereka temui, dan kekerapan mentah boleh melebihkan nilai kandungan yang sudah popular. Penilaian harus menggunakan pembahagian masa dan metrik kedudukan, sambil menjejak liputan katalog, kebaharuan dan hasil pengguna. ALS menghasilkan perwakilan terpendam dan markah calon; ia tidak semestinya memberikan penjelasan atau bukti sebab-sebab bahawa pengesyoran akan memuaskan hati pengguna. Menggabungkan kekangan kelayakan, keselamatan dan kesegaran secara berasingan, dan pantau perubahan dalam ketersediaan item dan corak tingkah laku.
Pengguna hipotetikal mengklik item tiga kali. Model tersirat boleh mengekod penunjuk keutamaan positif dan memberikan keyakinan yang lebih besar daripada item dengan satu klik ringkas, sementara pengecaman klik mungkin masih tidak disengajakan.
Seorang pengguna belum melihat item katalog. Sistem menganggap ini sebagai bukti yang hilang, bukan bukti tidak suka, kerana pengguna mungkin tidak pernah melihat item tersebut.
Dalam ALS, model mengekalkan faktor item tetap semasa menyelesaikan masalah kuasa dua terkecil yang teratur untuk faktor pengguna, kemudian memastikan pengguna tetap semasa menyelesaikan faktor item. Kemas kini berselang-seli mengurangkan objektif bersama sehingga kriteria berhenti dipenuhi.
Seorang penganalisis membandingkan pengesyoran dengan penahanan berasaskan masa dan mengukur kualiti kedudukan serta liputan katalog, kerana membina semula interaksi yang diperhatikan sahaja boleh memihak kepada item yang popular.
Pengesyor tersirat boleh bertambah baik apabila log merekodkan perkara yang sebenarnya ditunjukkan kepada pengguna, bukan hanya perkara yang mereka klik. Ini membantu membezakan kekurangan minat daripada kekurangan pendedahan dan menyokong penilaian yang lebih boleh dipercayai. Pasukan harus membandingkan transformasi kekuatan acara, memantau kepekatan populariti dan liputan katalog, dan mengesahkan interaksi masa depan. Penjelasan yang dihadapi oleh manusia seharusnya tidak terlalu menyatakan faktor terpendam sebagai alasan untuk pengesyoran. Apabila katalog dan tingkah laku pengguna berubah, latihan semula dan penapis keselamatan harus mengekalkan kelayakan dan matlamat kepelbagaian di samping perkaitan. Pastikan peristiwa pendedahan dan kawalan privasi pengguna dalam paparan.
Newsletter percuma
Tiga cerita AI yang disahkan setiap pagi hari bekerja, ditulis dalam Bahasa Inggeris biasa. Percuma selamanya, tiada iklan.
Satu e-mel setiap hari bekerja. Berhenti melanggan dalam satu klik. Kami tidak pernah menjual atau berkongsi alamat anda.
Uji diri anda
Maklum balas segera pada setiap jawapan, dan sijil yang boleh dikongsi dengan ID yang boleh disahkan sebaik sahaja anda lulus kursus.
Sokong pendidikan AI percuma. AI Understanding ialah pertubuhan bukan keuntungan 501(c)(3) — tiada iklan, tiada bayaran dinding, selamanya. Buat derma
Pengesyor maklum balas tersirat belajar daripada tingkah laku seperti klik, mainan dan pembelian, yang tiada penilaian eksplisit diberikan. Petak terkecil berselang-seli (ALS) menganggarkan faktor pendam pengguna dan item sambil menimbang interaksi yang diperhatikan mengikut keyakinan, tetapi interaksi yang hilang biasanya bermaksud keutamaan yang tidak diketahui dan bukannya penilaian negatif.
Pengguna mungkin tidak terdedah kepada item tersebut, jadi ketiadaan tingkah laku tidak mewujudkan pilihan negatif.
Wajaran keyakinan mengawal sejauh mana model menghukum ralat pada setiap pemerhatian keutamaan item pengguna.
Kemas kini berselang-seli mengoptimumkan satu matriks faktor pada satu masa sambil menahan yang lain tetap.
Tiada interaksi mungkin menggambarkan tiada peluang untuk melihat item dan bukannya pilihan negatif.
Syarat penyelarasan mengehadkan magnitud faktor dan membantu mengawal pemasangan lampau.
Teruskan belajar
Lebih banyak panduan dipilih untuk topik ini
SeterusnyaPanduan seterusnya
Gelung Maklum Balas dalam Sistem ML
Teknikal