ДалееСледующее руководство
Петли обратной связи в системах машинного обучения
Технический
Техническое РУКОВОДСТВО
Рекомендатели с неявной обратной связью учатся на таком поведении, как клики, воспроизведения и покупки, которым не была предоставлена явная оценка.
Прослушайте это руководствоОзвучено ИИ · ~3 min
Метод альтернативных наименьших квадратов (ALS) оценивает скрытые факторы пользователя и элемента, одновременно взвешивая наблюдаемые взаимодействия по достоверности, но отсутствие взаимодействия обычно означает неизвестное предпочтение, а не отрицательную оценку.
Системы явной обратной связи используют рейтинги или прямые суждения о предпочтениях. Вместо этого системы неявной обратной связи отслеживают такое поведение, как клики, время просмотра, покупки или сохранения. Эти события свидетельствуют о наличии интереса, но они зашумлены и неполны: щелчок может быть случайным, а отсутствие щелчка может означать, что элемент никогда не открывался. Отношение к каждой отсутствующей паре «пользователь-элемент» как к явной неприязни может исказить обучение. Распространенный подход на основе скрытых факторов назначает каждому пользователю и элементу вектор и прогнозирует предпочтения на основе их внутреннего продукта. Неявный ALS определяет двоичное предпочтение p_ui, указывающее, произошло ли взаимодействие, и доверительный интервал c_ui, который больше для более убедительных доказательств. Одна формулировка устанавливает c_ui = 1 + альфа*r_ui для наблюдаемой силы r_ui и базовую достоверность для ненаблюдаемых пар. Это сводит к минимуму средневзвешенную квадратичную ошибку плюс регуляризацию. Выбор точного кодирования и преобразования силы является выбором моделирования. Цель объединяет векторы пользователей и элементов, поэтому совместная оптимизация всех факторов затруднительна. Альтернативы ALS: фиксируйте векторы элементов и решайте регуляризованный вектор наименьших квадратов каждого пользователя, затем фиксируйте пользовательские векторы и решайте обновления элементов. Каждая подзадача имеет замкнутое решение под общей целью. Итерации продолжаются до улучшения или другого правила остановки. Разреженные матрицы взаимодействия делают этот подход практичным, поскольку ненаблюдаемые пары имеют общую базовую линию, а наблюдаемые события корректируют достоверность. Данные о взаимодействии несут в себе предвзятость к разоблачению и популярности. Пользователь не может взаимодействовать с предметом, с которым никогда не сталкивался, а необработанная частота может переоценить и без того популярный контент. При оценке следует использовать разделение с учетом времени и показатели ранжирования, одновременно отслеживая охват каталога, новизну и результаты пользователей. БАС производит скрытые представления и оценки кандидатов; по своей сути он не дает объяснений или причинно-следственных доказательств того, что рекомендация удовлетворит пользователя. Включите ограничения приемлемости, безопасности и свежести отдельно, а также отслеживайте изменения в доступности товаров и моделях поведения.
Гипотетический пользователь щелкает элемент три раза. Неявная модель может закодировать положительный индикатор предпочтений и придать большую уверенность, чем элементу, одним коротким щелчком мыши, в то время как распознавание щелчков все равно может быть случайным.
Пользователь не просмотрел элемент каталога. Система рассматривает это как недостающее доказательство, а не доказательство неприязни, поскольку пользователь, возможно, никогда не видел этот элемент.
В ALS модель удерживает фиксированные факторы элемента при решении регуляризованных задач наименьших квадратов для пользовательских факторов, а затем удерживает пользователей фиксированными при решении факторов элемента. Попеременные обновления уменьшают общую цель до тех пор, пока не будет достигнут критерий остановки.
Аналитик сравнивает рекомендации с временными интервалами и измеряет качество ранжирования и охват каталога, поскольку реконструкция наблюдаемых взаимодействий сама по себе может отдать предпочтение популярным товарам.
Неявные рекомендации могут улучшиться, если в журналах будет записано, что на самом деле было показано пользователям, а не только то, что они нажали. Это помогает отличить отсутствие интереса от недостаточного внимания и способствует более достоверной оценке. Команды должны сравнивать трансформации силы событий, отслеживать концентрацию популярности и охват каталога, а также проверять будущие взаимодействия. В объяснениях, обращенных к человеку, не следует преувеличивать скрытые факторы в качестве причин для рекомендации. Поскольку каталоги и поведение пользователей меняются, переобучение и фильтры безопасности должны сохранять цели приемлемости и разнообразия наряду с актуальностью. Держите в поле зрения события воздействия и средства контроля конфиденциальности пользователей.
Бесплатная рассылка
Три проверенных AI-истории каждое утро буднего дня, написанные простым английским. Бесплатно навсегда, без рекламы.
Одно электронное письмо каждый будний день. Отписаться в один клик. Мы никогда не продаем и не передаем ваш адрес.
Проверьте себя
Мгновенная обратная связь по каждому ответу и общий сертификат с проверяемым идентификатором после прохождения курса.
Поддержите бесплатное образование в области искусственного интеллекта. AI Understanding — это некоммерческая организация 501(c)(3). Никакой рекламы и платного доступа. Сделать пожертвование
Рекомендатели с неявной обратной связью учатся на таких действиях, как клики, воспроизведения и покупки, которым не была предоставлена явная оценка. Метод альтернативных наименьших квадратов (ALS) оценивает скрытые факторы пользователя и элемента, одновременно взвешивая наблюдаемые взаимодействия по достоверности, но отсутствие взаимодействия обычно означает неизвестное предпочтение, а не отрицательную оценку.
Пользователь, возможно, не сталкивался с объектом, поэтому отсутствие поведения не создает отрицательного предпочтения.
Веса уверенности определяют, насколько модель наказывает за ошибки при каждом наблюдении предпочтений пользователя.
Попеременные обновления оптимизируют одну матрицу факторов, сохраняя при этом другую фиксированной.
Отсутствие взаимодействия может отражать отсутствие возможности увидеть предмет, а не отрицательное предпочтение.
Условия регуляризации ограничивают величины факторов и помогают контролировать переобучение.
Продолжайте учиться
Другие руководства, выбранные по этой теме
ДалееСледующее руководство
Петли обратной связи в системах машинного обучения
Технический